支持向量机分类：参数说明和官方案例（基于 Google Earth Engine）

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于分类和回归问题。它的主要思想是找到一个最优的超平面，将不同类别的样本分开。在本文中，我们将介绍支持向量机分类算法的参数说明，并提供一个基于 Google Earth Engine（GEE）的官方案例来说明其应用。

支持向量机分类的参数包括核函数、惩罚参数和松弛变量。核函数用于将数据映射到高维空间，以便在低维空间中线性不可分的问题可以变为线性可分的问题。常用的核函数有线性核函数、多项式核函数和径向基核函数。惩罚参数用于控制分类器的复杂度和容错率，较大的惩罚参数将导致更严格的分类边界，可能会导致过拟合；而较小的惩罚参数则可能导致欠拟合。松弛变量是一种允许一些样本位于错误的一侧的机制，它们的数量取决于惩罚参数的设置。

下面是一个基于 GEE 的官方案例，展示了如何使用支持向量机分类算法进行土地覆盖分类。

# 导入 Earth Engine Python API
import ee
ee.Initialize(