支持向量机是一种二分类模型，目标是寻找一个标准来对样本进行分割，原则是确保分类最优化。本节简要介绍其原理。
本文目录:
[TOC]
SVM简介
支持向量机的原则是确保分类最优化(类别之间的间隔最大)。
当数据集较小时，使用支持向量机是非常有效的。支持向量机是最好的现成分类器之一。‘现成’指的是分类器不加修改就可以直接使用。
支持向量机在分类时，把无法线性分割的数据映射到高维空间，然后再高维空间找到分类最优的线性分类器。
Python提供了不同的实现支持向量机的方法，例如sk-learn库、LIBSVM库，OpenCV也提供了对支持向量机的接口,都可以直接使用,无需对原理部分过于深入了解。
理论基础
对SVM的基本原理进行简单介绍。
分类
如下图所示，某次研究生考试中，得分如下所示。横坐标代表笔试成绩，纵坐标表示面试成绩。右上角的圆点表示A级（优秀）、左小角的方块表示B级（良好）。
导师肯定要找的尽量是A类。但是如何根据笔试和面试成绩来确定该学生是否优秀呢？偷懒的做法是笔试面试成绩都高，未来可能是优秀学生的概率更大。但是人无完人，这样招生名额可能都用不完。合理地做法是确定一定的笔试和面试标准，可以高效地招到A类。下图，就提供了三种形式的划分。
分类器
在上图中，用于划分不同类别的直线，就是分类器。在构造分类器时，最重要的就是找到最优分类器了。
在上图中，右上角和右下角都有一定的“倾向”嫌疑，左下角的分类更加“独善其身”，实现了“均分”。让两个分类离自己一样远，这样就为每个分类都预留了等量的拓展空间，即使有新的靠近边界的点进来，也能够按照位置划分到对应的分类中。
在已有的数据中，找到离分类器最近的点，确保它们离分类器尽可能地远。
离分类器最近的点到分类器的距离称之为"间隔"。
我们希望间隔尽可能最大。这样分类器在处理距离时，就会更准确。左小角的间距最大。
离分类器最近的那些点叫做支持向量，由他们决定了分类器所在的位置。
将不可分变为可分
在现实中的大多数问题，往往是非常复杂的，不可能简单地通过一个直线就能划分完成。
例如，不小心将豌豆和小米混到了一起。豌豆直径在10mm，小米直径在1mm。那么为了区分他们，可以用一个直径为5mm的筛子，将豌豆与小米区分开。筛子就是映射操作。
支持向量机在处理数据时，如果在低维空间内无法完成，就会自动将数据映射到高维空间。使其变为可分的。简单说就是对当前数据进行函数映射操作。下图中，f函数就是一种映射。
不用担心数据由低维空间转换到高维空间后运算量会呈几何级增加，支持向量机能通过核函数有效地降低计算计算复杂度。
注意
上面的示例都是二维的。实际上支持向量机可以处理任何维度的数据。在不同维度下，支持向量机都会尽可能寻找类似于二维空间中的直线的线性分类器。
在二维空间中，支持向量机会去找一条最优的直线；在三维空间中，支持向量机会去找一条最优的平面；在更高维度的空间中，支持向量机会尝试寻找一个能够划分当前数据的超平面。
支持向量是离分类器最近的那些点，这些点位于最大间隔上。通常情况下，分类仅仅依靠这些点完成，而和其他点没有关系。机器指的是分类器。
2 条评论
感谢作者分享。文中，离分类器最近的那些"年"叫做支持向量......，“年”好像是个误打的字。
感谢指正，确实有些错别字的，有时候懒得检查哈哈