- 主要解决的问题：分类
- 线性分类方法：寻找到一个超平面（二维情况下为线）使样本分成两类，并且（两类样本）间隔最大。如图1，间隔最大就是求2/||w||最大。虚线上的点叫支撑向量（SV）
- 非线性分类问题的解决办法：将非线性样本转换为线性样本，通过核函数（kernel trick），如图2
- 回归问题：区别不大，若输入标签为连续值则做回归，若输入标签为分类值则做分类
-
训练要注意的参数：
- kernel:核函数的类型，一般常用的有’rbf’，’linear’，’poly’
- C:惩罚因子，学术上叫软间隔，表征你有多么重视离群点，C越大越重视，越不想丢掉它们。
- gamma: 是’rbf’，’poly’和’sigmoid’的核系数且gamma的值必须大于0。
总结：线性分类方法和非线性转线性的思路是SVM的核心特点。