SVM(支持向量机)：
支持向量机算法可以看作是逻辑回归算法的 强化：通过给予逻辑回归算法更严格的优化条件，
支持向量机算法可以获得比逻辑回归更好的分类界线。通过和高斯核函数的结合，支持向量机可以
表达出非常复杂的分类界线，从而达成很好的分类效果。"核"事实上就是一种特殊的函数，最典型的特征
就是可以将低维的空间映射到高维空间。如下图所示：
我们如何在二维平面划分出一个圆形的分类界线？在二维平面可能会很困难，但是通过"核"可以将
二维空间映射到三维空间，然后使用一个线性平面就可以 达成类似效果。也就是说，二维平面划分
出的非线性分类界线可以等价于三维平面的线性分类界线。 于是，我们可以通过在三维空间中进行
简单的线性划分就可以达到在二维平面中的非线性划分效果。
支持向量机是一种数学成分很浓的机器学习算法（相对的，神经网络则有生物科学成分）。在算法的核心步骤中，有一步证明，即将数据从低维映射到高维不会带来最后计算复杂性的提升。于是，通过支持向量机算法，既可以保持计算效率，又可以获得非常好的分类效果。因此支持向量机在90年代后期一直占据着机器学习中最核心的地位，基本取代了神经网络算法。直到现在神经网络借着深度学习重新兴起，两者之间才又发生了微妙的平衡转变。