svm是什么学习方法

支持向量机（SVM）是一种监督学习方法，主要用于分类任务（如二分类、多分类）和回归分析。其核心思想是通过在高维特征空间中寻找最优决策边界（即超平面），最大化不同类别样本之间的间隔（margin），从而实现高效的数据分类。

关键特性与原理：

1. 最大间隔分类

SVM通过优化凸二次规划问题，找到使两类样本几何间隔最大的超平面。几何间隔定义为超平面到最近支持向量（位于间隔边界上的样本点）的距离，最大化间隔可提升模型的泛化能力。

2. 核技巧处理非线性问题

当数据线性不可分时，SVM通过核函数（如高斯核、多项式核）将数据映射到高维空间，使其线性可分。例如，高斯核通过计算样本点之间的相似度实现非线性分类。

3. 稀疏性与鲁棒性

仅依赖支持向量确定决策边界，其他样本不影响模型，因此具有稀疏性；间隔最大化特性使其对噪声和异常值具有较强鲁棒性。

4. 软间隔与正则化

对于线性不可分数据，引入松弛变量和正则化参数C，允许部分样本违反分类条件，平衡分类误差与间隔大小。

应用场景与优缺点：

- 典型应用：文本分类（如垃圾邮件过滤）、图像识别（如人脸检测）、生物信息学（基因分类）等。