关于支持向量机的算法复杂度，因为SVM在训练阶段的算法较为复杂，详细的算法复杂度较为难以推算且众说纷纭，与很多因素相关。但是可以根据相应的数据类型大致推算出SVM的算法复杂度。
参考资料：
Burges C J C . A Tutorial on Support Vector Machines for Pattern Recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2):121-167.
文献地址：
目录
一、训练阶段的算法复杂度
1.1 算法复杂度
训练算法为Bunch-Kaufman算法，算法复杂度为：
其中， 
为支持向量的个数， 
为输入向量的维度，
为训练样本点的个数。上边界为Upper Bound。当条件介于以上条件之间时，运算复杂度介于以上运算复杂度之间。
1.2 参考文献
详细参见A Tutorial on Support Vector Machines for Pattern Recognition[J] P28
二、测试阶段的算法复杂度
2.1 算法复杂度
SVM在测试阶段的算法复杂度为： 
,M为SVM的kernel需要的运算次数，如果RBF核的话并且是点乘的话，M就是
因此对于线性SVM分类器，算法复杂度为
就是支持向量的个数乘以输入向量的维度。
2.2 参考文献与推导
详细参见A Tutorial on Support Vector Machines for Pattern Recognition[J] P29
原文：
相应的测试阶段的运算公式为：
三、测试阶段存储量分析
注：第三部分未经过详细考证，可能有误，如果有误欢迎及时留言交流。
3.1 测试阶段线性SVM存储复杂度
假定分类数量为，也是支持向量的个数，输入向量维度为
相当于在维度为的高维空间上，存储个高维超平面，用于对每个维度的样本点进行分类。
线性SVM需要存储的参数就是这个高维超平面的参数，共
个数字需要存储。
相关内容：
