支持向量機（英語：support vector machine，常簡稱為SVM，又名支持向量網絡）是在分類與回歸分析中分析數據的監督式學習模型與相關的學習算法。
SVM使用鉸鏈損失函數（hinge loss）計算經驗風險（empirical risk）並在求解系統中加入了正則化項以優化結構風險（structural risk），是壹個具有稀疏性和穩健性的分類器。
SVM可以通過核方法（kernel method）進行非線性分類，是常見的核學習（kernel learning）方法之壹 。
SVM被提出於1964年，在二十世紀90年代後得到快速發展並衍生出壹系列改進和擴展算法，在人像識別、文本分類等模式識別（pattern recognition）問題中有得到應用。
動機
H1?不能把類別分開。H2?可以，但只有很小的間隔。H3?以最大間隔將它們分開。
將數據進行分類是機器學習中的壹項常見任務。 假設某些給定的數據點各自屬於兩個類之壹，而目標是確定新數據點將在哪個類中。對於支持向量機來說，數據點被視為p?維向量，而我們想知道是否可以用 (p-1)維超平面來分開這些點。
這就是所謂的線性分類器。可能有許多超平面可以把數據分類。最佳超平面的壹個合理選擇是以最大間隔把兩個類分開的超平面。
因此，我們要選擇能夠讓到每邊最近的數據點的距離最大化的超平面。如果存在這樣的超平面，則稱為最大間隔超平面，而其定義的線性分類器被稱為最大間隔分類器，或者叫做最佳穩定性感知器。
應用
1、用於文本和超文本的分類，在歸納和直推方法中都可以顯著減少所需要的有類標的樣本數。
2、用於圖像分類。實驗結果顯示：在經過三到四輪相關反饋之後，比起傳統的查詢優化方案，支持向量機能夠獲取明顯更高的搜索準確度。這同樣也適用於圖像分割系統，比如使用Vapnik所建議的使用特權方法的修改版本SVM的那些圖像分割系統。
3、用於手寫字體識別。
4、用於醫學中分類蛋白質，超過90%的化合物能夠被正確分類。基於支持向量機權重的置換測試已被建議作為壹種機制，用於解釋的支持向量機模型。
支持向量機權重也被用來解釋過去的SVM模型。為識別模型用於進行預測的特征而對支持向量機模型做出事後解釋是在生物科學中具有特殊意義的相對較新的研究領域。
以上內容參考?百度百科-支持向量機