支持向量機（Support Vector Machine，簡稱 SVM） 是一種監督式機器學習演算法，主要用於分類和回歸任務。它的核心目標是找到一條（或多維空間中的一個超平面）最佳分隔線，將不同類別的資料點分開，並且最大化兩類之間的邊界（margin），以提升模型的泛化能力。
SVM 的主要特點：
- 最大邊界分隔（Maximal Margin）：SVM 尋找能最大化類別間距離的分隔超平面，使分類器對新資料更具魯棒性。
- 支持向量（Support Vectors）：決定分隔超平面位置的訓練資料點，這些點是邊界附近的關鍵資料。
- 核函數（Kernel Function）：SVM 可利用核技巧將資料映射到高維空間，解決非線性可分問題。常用核函數包括線性核、多項式核、徑向基函數（RBF）核等。
- 適用範圍廣泛：SVM 在高維空間表現良好，適合文本分類、影像識別、基因資料分析等多種領域。
- 容錯能力：透過軟間隔（soft margin）設計，SVM 能容忍部分錯誤分類，提高對異常值的魯棒性。
SVM 運作流程簡述：
- 將資料點映射到特徵空間（必要時使用核函數）。
- 找出分隔不同類別的超平面，使兩類資料點的邊界最大化。
- 透過支持向量決定超平面位置。
- 利用該超平面對新資料進行分類。
優缺點
簡單應用範例
- 使用 SVM 分辨良性與惡性腫瘤資料。
- 文本垃圾郵件分類。
- 影像物件識別。
