支持向量机（SVM）

SVM尤其适用于解决二分类问题，基本思想是找到一个能够最大化分类间隔的最佳超平面，将不同类别的样本分开。

超平面：用来将数据分为不同的类别。对于二维数据，超平面就是一条线，而对于高维数据，超平面则是一个超平面。（其实就是分界线）

支持向量：距离分类超平面最近的样本点，简单来说，支持向量是最“边缘”的样本，它们对分类边界有重要的影响。（其实就是最靠近分界线的点，它们对分界线的位置有影响）

最大化间隔：SVM的目标是找到一个超平面，使得支持向量到超平面的距离（即间隔）最大化。最大化间隔可以提高模型的泛化能力，从而提高分类的鲁棒性。（其实就是找到支持向量离分界线越远，效果越好，要不然容易混淆）

线性可分与线性不可分：如果线性可分，SVM可以直接找到一个线性超平面将数据分开；如果线性不可分，SVM会通过核技巧（Kernel Trick）将低维数据映射到高维空间，使其线性可分。

核函数：可以将非线性问题转化为线性问题。

        1.线性核（Linear Kernel）：用于线性可分的数据

        2.多项式核（Polynomial Kernel）：用于较为复杂的非线性数据

        3.径向基函数核（RBF Kernel，常用高斯核）：是最常用的非线性核函数之一，适合复杂的分类任务。

SVM工作过程：

1.输入数据集及标签，选择核函数类型

2.使用训练数据构建模型，找到分类超平面和支持向量

3.在测试数据上验证模型性能，计算分类准确率

例子：

将一个随机分布的蓝绿色点划分出超平面（黑实线），支持向量（黑色圈着的蓝绿色点），黑色虚线代表支持向量边界。