一、支持向量机：
SVM是一种支持向量机(Support Vector Machine )，是一种监控学习算法，用于解决数据挖掘和模式识别领域的数据分类问题。 查找分类器，以使http://www.Sina.com/http://www.Sina.com /即超平面与最近数据点之间的分类边(超平面与最近数据点之间的间隔称为分类边) )最大化。 在SVM算法中，分类边越大通常认为平面越好，通常定义具有“最大间隔”的分类边，最优解与两侧虚线通过的样本点相对应，称为“支持向量”。 其处理的基本思路是将问题转化为一个凸二次规划问题，可以用运筹学相关思想加以解决。 在目标函数线性SVM算法中，目标函数明显是其“分类间隔”，最大化分类间隔作为约束条件的决策面通常需要满足三个条件。 1 )正确分类决定面2 )决定面如何决定间隔区域的中心轴3 )由此解决SVM问题)变换面
二、基本原理：是用于分割数据点的分割面，他的位置由支持向量决定。 当支持向量发生更改时，拆分面的位置也经常发生更改。 因此，这一方面是支持向量机，它是由支持向量确定的分类器。SVM 算法:系统随机生成超平面，并移动到训练集中属于不同类别的采样点正好位于该超平面的两侧。 显然，该机制可以解决线性分类问题，但不能保证产生的超平面是最优的。 通过支持向量机创建的分类超平面，可以在确保分类精度的同时，使超平面两侧的空白区域最大化，实现对可线性分离问题的最佳分类。
3358www.Sina.com/:创建最佳决策超平面，使最接近平面两侧平面的两种样本之间的距离最大。 从而为分类问题提供良好的泛化力(推动力)。支持向量机:是训练集中的几个训练点，这些点离分类决策面最近，也是最困难的分类线性可分数据的二值分类机理:它是有监督(有领导)的学习方法
中的对应关系，将训练集按类别划分，或预测与新训练点对应的类别。