支持向量机SVM原理和优缺点，写详细点

支持向量机（Support Vector Machine，SVM）是一种二分类模型，它的基本思想是找到一个超平面（线性或非线性），使得该超平面能够将不同的样本分为不同的类别，并且能够最大化分类的边际（margin），同时保持较高的泛化性能。

SVM 的优点：

1. 可以处理高维数据：SVM 在高维空间中的表现比在低维空间中更好，这使得 SVM 在处理高维数据时具有很大的优势。

2. 可以处理非线性数据：SVM 可以通过核函数将数据映射到高维空间中，使得原本线性不可分的数据变为线性可分的，从而解决了许多非线性分类问题。

3. 支持向量的唯一性：SVM 所选择的支持向量是唯一的，这使得模型具有更好的鲁棒性和泛化能力。

4. 可以处理小样本数据：由于 SVM 可以通过 margin 来控制泛化误差，因此即使在小样本数据的情况下，SVM 也能够取得很好的分类效果。

SVM 的缺点：

1. 对噪声比较敏感：SVM 对噪声比较敏感，如果数据中存在噪声，那么模型的分类效果将会受到很大的影响。

2. 计算复杂度高：SVM 在处理大规模数据时，需要耗费大量的计算资源和时间，这使得它的计算复杂度比较高。

3. 参数调节困难：SVM 模型中存在多个参数需要调节，如 kernel、C、gamma 等，如果参数调节不当，将会影响模型的分类效果。

4. 无法处理多分类问题：SVM 是一种二分类模型，对于多分类问题需要进行适当的扩展，这使得模型的实现相对复杂。