支持向量机（SVM）是好的现成的分类器
优点：泛化错误率低，计算开销不大，结果易解释。
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
适用数据类型：数值型和标称型数据。
数据的线性可分
分隔超平面：二维中为直线，三维中为平面，更高维中为超平面
最佳拟合为间隔最大
支持向量（support vector）就是离分隔超平面近的那些点。接下来要试着大化支持向量 到分隔面的距离，需要找到此问题的优化求解方法。
为超平面的形式
为间隔（点到分隔面的距离）
用海维赛德阶跃函数（即单位阶跃函数）对数据作用
其中当u<0时f(u)输出-1，反之则输出+1。
求支持向量
利用拉格朗日乘数法进行化简得
若数据并非线性可分，则引入了松弛变量来允许有些数据点可以处于分隔面的错误一侧。这样我们的优化目标就能保持仍然不变，此时新的约束条件则变为： 
SMO表示序列最小优化（Sequential Minimal Optimization）。
SMO算法的目标是求出一系列alpha和b，一旦求出了这些alpha，就很容易计算出权重向量w 并得到分隔超平面。
SMO算法的工作原理是：每次循环中选择两个alpha进行优化处理。一旦找到一对合适的 alpha，那么就增大其中一个同时减小另一个。这里所谓的“合适”就是指两个alpha必须要符合 一定的条件，条件之一就是这两个alpha必须要在间隔边界之外，而其第二个条件则是这两个alpha 还没有进行过区间化处理或者不在边界上。 辅助函数
利用核函数对数据进行处理，将数据转换成易于分类器理解的形式。
径向基核函数 
使用核函数时需要对innerL()及calcEk()函数进行的修改
