SVM - support vector machine, 俗稱支持向量機，為壹種supervised learning算法，屬於classification的範疇。在數據挖掘的應用中，與unsupervised的Clustering相對應和區別。
廣泛應用於機器學習(Machine Learning), 計算機視覺(Computer Vision) 和數據挖掘(Data Mining)當中。
假設要通過三八線把實心圈和空心圈分成兩類，那麽有無數多條線可以完成這個任務。在SVM中，尋找壹條最優的分界線使得它到兩邊的margin都最大。
擴展資料：
SVM 的優點
1、高維度：SVM 可以高效的處理高維度特征空間的分類問題。這在實際應用中意義深遠。比如，在文章分類問題中，單詞或是詞組組成了特征空間，特征空間的維度高達 10 的 6 次方以上。
2、節省內存：盡管訓練樣本點可能有很多，但 SVM 做決策時，僅僅依賴有限個樣本（即支持向量），因此計算機內存僅僅需要儲存這些支持向量。這大大降低了內存占用率。
3、應用廣泛：實際應用中的分類問題往往需要非線性的決策邊界。通過靈活運用核函數，SVM 可以容易的生成不同的非線性決策邊界，這保證它在不同問題上都可以有出色的表現（當然，對於不同的問題，如何選擇最適合的核函數是壹個需要使用者解決的問題）。
百度百科-支持向量機