支持向量机：寻找最佳分界线

支持向量机（SVM）的目标是在不同类别之间画出一条“最宽的分界线”，让两侧的数据离分界线都尽量远。它曾经在深度学习爆发前称霸图像与文本分类领域。

SVM 的“最大间隔”思想很有哲理：不要只求眼前的对错，要给未知的边界留足余量。离分界线远的样本确实分类正确，但真正决定模型稳健性的，恰恰是离边界最近的那些“边缘案例”。

## 核心要点

图片来源：Openverse / Brokentaco（https://www.flickr.com/photos/92024986@N00/3710057668）

1. SVM 追求的是“最大间隔”，这让它比只求“分对”的模型更稳健。

2. 核技巧让 SVM 能处理非线性可分的数据，是它的精髓。

3. 小样本、高维数据上 SVM 表现依然能打。

4. 大数据量下 SVM 训练较慢，逐渐被深度学习取代。

图片来源：Openverse / Ryan Somma（https://www.flickr.com/photos/14405058@N08/2480411053）

## 写在最后

以上是关于「支持向量机」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。