支持向量机（SVM）的优点：
（1）对偶算法（Dual Algorithm）
应用拉格朗日对偶性，通过求解对偶问题（Dual Problem）得到原始问题（Primal Problem）的最优解。
优点：因为在实际computer计算时采用对偶算法（所以首先要求出与样本数相同个数的拉格朗日乘子，而由于乘子为零的项对模型无任何影响，只有乘子不为零的项即支持向量才会对最后模型的表达式产生影响），故SVM的计算复杂度与样本个数有关，与特征维度无关。
（2）合页损失函数（Hinge Loss）
支持向量机（SVM）的基础是感知机（Perceptron），不同之处在于：感知机的损失函数是所有误分类点到分离超平面的函数距离之和；而支持向量机的损失函数是合页损失函数。
·
感知机的损失函数：
SVM的损失函数：
合页损失函数的图形：
优点：可以得到特征空间上唯一间隔最大的分类器。
（3）核函数（Kernel Function）