支持向量機
SVM模型即支持向量機，是一種監督學習模型，通常用於分類和回歸分析。
SVM模型的基本概念是找到一個最佳分離超平面，該超平面在特徵空間中最大化不同類別之間的間隔，這個間隔通過支持向量（距離超平面最近的幾個訓練點）來定義。SVM模型可以通過拉格朗日的對偶性轉換為對偶問題的最優解，最終通常轉化為一個凸二次規劃問題來求解。
SVM模型分為三種類型：
線性可分支持向量機。適用於線性可分的數據集。
線性支持向量機。適用於近似線性可分的數據集，即存在一些特異點，去除這些特異點後數據線性可分。
非線性支持向量機。適用於線性不可分的數據集，採用核技巧進行處理。
此外，SVM模型還包括核技巧，使其能夠處理非線性分類問題，通過將數據映射到更高維的空間，從而實現複雜的分類邊界。