支持向量机（SVM）用于监督学习，可用于分类、回归、异常检测
SVM本来是一种线性分类和非线性分类都支持的二元分类算法，但经过演变，现在也支持多分类问题，也能应用到了回归问题
一、模型原理
在给定的训练样本，找到一个超平面将不同类别的样本分开
1.超平面的公式如下：
其中，ω= (ω1,ω2...ωn) 为法向量，决定了超平面的方向，b是位移向，决定了超平面和原点之间的距离
2.样本到超平面的距离，样本空间中任意点x到超平面（记为（ω,b））的距离：
3.约束条件和支持向量机（support vector）
式(6.3)即为超平面将训练样本正确分类的约束条件。如下图所示，距离超平面最近的三个训练样本使得式(6.3)的等号成立，它们就是支持向量
4.间隔(margin)：两个不同类别的支持向量分别到超平面的距离之和
最优的划分超平面需要使得间隔 r 最大化
这就是支持向量机的基本型
下面的是（6.2）和（6.3）的推导
https://blog.csdn.net/shichensuyu/article/details/90678747
支持向量机的优势：
（1）在高维空间非常高效
（2）即使在数据维度比样本数量大的情况下仍然有效
（3）在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的
（4）通用性: 不同的核函数 核函数 与特定的决策函数一一对应.常见的 kernel 已经提供,也可以指定定制的内核
支持向量机缺点：
（1）如果特征数量比样本数量大得多,在选择核函数 核函数 时要避免过拟合, 而且正则化项是非常重要的
（2）支持向量机不直接提供概率估计,这些都是使用昂贵的五次交叉验算计算的