简述一下SVM的基本思想，针对线性不可分问题，SVM有哪些方法

SVM（Support Vector Machine，支持向量机）是一种二分类模型，基本思想是找到一个最优的超平面，将样本点分成两类。SVM的最优超平面是指能够最大化两类样本点之间的间隔，使得分类器具有较好的泛化性能。

对于线性可分的情况，SVM可以通过构造一个最大间隔的超平面来实现分类。对于线性不可分问题，SVM有以下几种方法：

1. 软间隔SVM：允许一部分样本点分类错误，通过引入松弛变量来允许部分样本点在超平面误差范围内进行分类，同时在目标函数中增加一个惩罚项，使得分类器仍能够最大化间隔，但是允许一定程度上的分类错误。

2. 核函数SVM：通过将输入数据映射到高维空间，使得低维空间中的非线性可分问题在高维空间中成为线性可分问题。在实际计算中，可以使用核函数来直接计算高维空间中的内积。

3. 多分类SVM：通过将多个二分类SVM结合起来，构造多分类器。常用的方法有一对一法和一对多法。

4. 半监督学习SVM：在数据集中只有部分样本点被标记的情况下，利用未标记样本点与标记样本点之间的相似性关系，对分类器进行训练。

5. 增量学习SVM：对于大规模数据集，采用增量学习的方式，将数据集分成多个小批次进行训练，减少内存消耗和计算复杂度。