支持向量是指那些距离超平面最近的且满足一定条件的训练样本点。
在分类问题中，支持向量对于确定分类边界起着关键作用。
对于线性可分的情形，位于间隔边界上的样本点被称为硬间隔的支持向量；而对于线性不可分的情形，位于间隔边界上及间隔边界之内的样本点被称为软间隔的支持向量。
这些支持向量具有一些特定的性质，例如它们一定位于正确划分的分区内，并且不会出现在间隔意外的正确划分分区。
支持向量机（SVM）是一种强大的机器学习算法，主要用于分类和回归分析。在SVM中，目标是找到一个超平面，这个超平面能够将不同类别的数据点最大程度地分隔开。而支持向量就是在这个过程中起到关键作用的数据点。
支持向量具有以下特性：
- 关键性：支持向量是那些距离决策边界（也称为超平面）最近的数据点。这些点对于确定决策边界的位置至关重要。换句话说，如果移除了这些支持向量，决策边界将会改变。
- 位于边界上或附近：对于线性可分的情况，支持向量恰好位于间隔边界上。而对于近似线性可分或非线性可分的情况，支持向量可能位于间隔边界上或间隔边界内的某个位置。
- 对模型的影响：由于支持向量决定了决策边界的位置，因此它们对模型的性能具有重要影响。在训练SVM模型时，我们主要关注的是这些支持向量，而非其他的数据点。