定义：
支持向量机（Support Vector Machine, SVM）是一种强大的、灵活的监督学习算法，广泛应用于分类和回归问题中。其核心思想是通过找到一个最优的超平面（在二维空间中为直线，三维空间中为平面，更高维度则称为超平面），使得该超平面能够尽可能准确地将训练数据集中的样本分开。SVM特别适用于处理高维数据，并且在处理非线性问题时，通过引入核函数（Kernel Function）技巧，能够映射到更高维的空间，从而找到更复杂的分类边界。
原理：
- 寻求最优分类边界：
-
- SVM试图找到一个超平面，该超平面不仅可以将两类数据点分开，而且能够最大化两类数据点到超平面的间隔。这个间隔被称为“margin”，它是指决策边界与最近的支持向量之间的距离。
- 支持向量：
-
- 支持向量是位于类别之间的边界上的数据点，它们对于决策边界的构建起着重要的作用。SVM构建决策边界时仅依赖于这些支持向量。
- 核函数：
-
- 当数据在原始空间中线性不可分时，SVM通过核函数将数据映射到高维空间，以找到线性可分的决策边界。常见的核函数包括线性核、多项式核、径向基函数（RBF）核等。
