支持向量机（SupportVectorMachine，SVM）是一种二分类模型，其基本思想是在特征空间中找到一个最优的超平面，将不同类别的样本分开，使得各类别样本到超平面的距离（即间隔）最大化。SVM的优化目标是求解出一个分隔超平面和一组支持向量，使得支持向量到分隔超平面的距离最小，并且在满足约束条件下，使得分类间隔最大化。SVM的关键思想包括：超平面：在N维空间中，一个N-1维的子空间被称为超平面。在SVM中，分类的决策边界就是一个超平面。支持向量：在SVM中，离分隔超平面最近的样本点被称为支持向量。间隔：在SVM中，分类器的目标是找到一个超平面，使得支持向量到超平面的距离最小，并且在满足约束条件下，使得分类间隔最大化。核函数：SVM可以通过核函数将非线性问题转化为线性问题来解决，这是SVM的一个重要优点。SVM具有良好的分类性能和泛化能力，在分类、回归和特征选择等方面都得到了广泛应用。