SVM支持向量机

支持向量机(Support Vector Machine，SVM)

Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
在机器学习中，支持向量机（SVM，还支持矢量网络）是有监督机器学习，可以分析数据，识别模式，用于分类和回归分析。
SVM的核心思想便是将线性不可分的特征空间映射到一个更加高维的空间使其能够线性可分，从而在高维特征空间构建最优间隔分类器实现分类

数学原理参考：
https://www.jianshu.com/p/9d51eb7fc3de

加大训练数据量一定能提高SVM准确率吗？
SVM本质上是凸优化问题，看一下原理就应该知道，如果增加的样本点只是无效约束，并不会影响其最后的结果。这也就是为什么SVM适合于小样本量数据集的原因

SVM和逻辑斯特回归对同一样本A进行训练，如果某类中增加一些数据点，那么原来的决策边界分别会怎么变化？https://www.zhihu.com/question/30123068