Linear Support Vector Machine (Linear SVM) 是一種監督式機器學習演算法，用於二元分類問題，目標是找到一條或一個超平面（hyperplane）以線性方式將兩個類別的數據點分開。這個超平面會最大化兩個類別中最接近該超平面的資料點（稱為支持向量，support vectors）之間的「邊界距離」（margin），以達到最佳分離效果。
Linear SVM的核心特點包括：
- 使用線性決策邊界，適合資料在特徵空間中線性可分的情況。 最大化邊界距離，提高模型對新資料的泛化能力。 可採用硬邊界（perfectly separable）或軟邊界（允許部分誤分類）策略，以兼顧分類精度和容錯性。 通過優化目標函數（包含邊界最大化與懲罰錯誤分類的項），求解最佳超平面。 適用於特徵維度較高的數據，且對於異常值和噪聲具有一定的魯棒性。
w*x+b=0
其中，www 是權重向量，bbb 是偏差項，xxx 是輸入特徵向量。分類決策根據該式正負號判斷屬於哪一類。
若資料非線性可分，可借助核函數（kernel）將資料映射至高維空間，變成線性可分，再使用Linear SVM尋找超平面。
Linear SVM廣泛用於文本分類、圖像識別等領域，因其理論基礎堅實且效果穩定，且在許多情況下比其他線性模型（如邏輯回歸）有更好的泛化能力。
