支持向量机是一种有监督学习，通过数据样本，学习最大边距超平面，主要解决二分类问题。少数支持向量决定了最终结果，对异常值不敏感。对于样本数量需求较低。可以处理高维度数据。样本数量过多的时候，计算负担很大。多分类任务处理起来比较麻烦。数据在原始空间（称为输入空间）线性不可分，但是映射到高维空间（称为特征空间）后很可能就线性可分了。但是映射到高维空间同时带来一个问题：在高维空间上求解一个带约束的优化问题

支持向量机是一种有监督学习，通过数据样本，学习最大边距超平面，主要解决二分类问题。少数支持向量决定了最终结果，对异常值不敏感。对于样本数量需求较低。可以处理高维度数据。样本数量过多的时候，计算负担很大。多分类任务处理起来比较麻烦。数据在原始空间（称为输入空间）线性不可分，但是映射到高维空间（称为特征空间）后很可能就线性可分了。但是映射到高维空间同时带来一个问题：在高维空间上求解一个带约束的优化问题