支持向量是什么？哪些是支持向量？

支持向量是指在支持向量机（SVM）算法中，用于构建分界面（决策边界）的最优超平面的数据点。支持向量是在训练集中离分界面最近的数据点，即支持向量机的决策边界是由支持向量所定义的。

在二分类问题中，支持向量可以分为两类：

1.正支持向量：属于正类别的支持向量。

2.负支持向量：属于负类别的支持向量。

在多分类问题中，支持向量可以分为多类，具体情况要根据所采用的多分类SVM算法而定。

相关问题

什么是支持向量回归？

支持向量回归（Support Vector Regression，简称SVR）是一种基于支持向量机（Support Vector Machine，简称SVM）算法的回归分析方法。与传统的回归分析方法不同，SVR利用核函数将原始数据映射到高维特征空间中进行处理，从而在保证模型精度的同时避免了维数灾难问题。SVR通过最小化训练误差和结构风险之和，寻找最优的超平面或曲面，用于拟合训练数据和预测新数据。

什么是支持向量机分类器？

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，主要用于分类和回归问题。它的基本思想是找到一个最优的超平面，将不同类别的样本分开，并且使得离超平面最近的样本点到该超平面的距离最大化。

在二分类问题中，SVM通过寻找一个最优的超平面来将两个不同类别的样本点分开。这个超平面可以被看作是一个决策边界，将样本点划分为两个类别。而支持向量则是离超平面最近的样本点，它们决定了超平面的位置和方向。

SVM的优势在于它能够处理高维数据，并且对于小样本数据集也有较好的表现。此外，SVM还可以通过核函数将非线性问题转化为线性问题，从而提高分类的准确性。

总结一下，支持向量机分类器是一种基于最优超平面的机器学习算法，用于解决分类问题，并且能够处理高维和非线性数据。