支持向量机（Support Vector Machine，SVM）是一种二分类模型，SVM可以用于线性和非线性分类问题，回归以及异常值检测。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法是求解凸二次规划的最优化算法。其基本原理是通过在特征空间中找到一个超平面，将不同类别的样本分开，并且使得离超平面最近的样本点到

降维：PCA可以将高维数据转换为低维数据，减少数据维度，降低存储和计算开销。特征提取：PCA可以找到数据中最重要的特征（主成分），这些主成分是原始数据线性组合的结果，能够保留大部分数据的方差信息。去除噪声：PCA可以过滤掉数据中的噪声，因为噪声通常包含在数据的低方差主成分中，而PCA会保留高方差的主成分。可解释性：PCA得到的主成分是原始特征的线性组合，因此可以很好地解释数据的变化情况。数据可视化