SVM（支持向量機，Support Vector Machine）是一種監督學習模型，主要用於二分類問題，也可以用於回歸分析等其他任務。SVM的基本模型是在特徵空間上尋找一個具有最大間隔的超平面來分隔兩類數據，這個超平面是由支持向量（距離超平面最近的那些點）決定的。SVM的學習策略是間隔最大化，這可以使模型對新數據的分類更準確，即分類器更加穩定。
SVM模型可以分為三種：
線性可分支持向量機：適用於訓練數據線性可分的情況。
線性支持向量機：適用於訓練數據近似線性可分的情況，通過引入鬆弛變數來容忍一些特異點。
非線性支持向量機：適用於訓練數據線性不可分的情況，採用核技巧將數據映射到高維空間，使其變得線性可分。
SVM模型的優點包括較好的泛化能力和魯棒性，對噪聲和異常點的影響較小，可以處理高維度數據，且可以通過調整參數來進行最佳化。其缺點是對於大規模數據集需要較長的訓練時間和較大的記憶體空間，處理包含噪聲的數據時可能會出現過擬合，核函式的選擇也可能對結果產生較大影響。
在Python中，可以使用scikit-learn庫來實現SVM模型。