支持向量机（Support Vector Machine, SVM）是一种监督学习分类器：它要找一条分界线，不仅把两类点分开，还要让离分界线最近的点尽量远。
打个比方：桌上红豆绿豆混在一起，要用直尺画线分开。能分开的线很多，SVM 不随便选，它选那条离最近豆子最远的线。那些离分界线最近的豆子叫支持向量（support vector），线的位置只由它们决定；两侧到分界线的总距离叫间隔（margin），SVM 就是要最大化间隔。间隔越大，模型对新样本越不敏感，泛化往往更稳。
现实数据常线性不可分。SVM 的办法是核技巧（kernel trick）：把数据映射到更高维空间，在那里找超平面（hyperplane）。好比桌面上分不开，把豆子弹到空中，用一个平面去切。核函数（kernel function）让这件事不用真的算出高维坐标，只需计算样本间的相似度。常见核有线性核、多项式核和径向基函数（Radial Basis Function, RBF）核。若允许少数点越界，就是软间隔（soft margin），用参数 C 控制容忍度。
和相邻概念的区别：
| 维度 | SVM | 逻辑回归（logistic regression） | 感知机（perceptron） |
|---|---|---|---|
| 目标 | 最大化间隔 | 最大化似然，输出概率 | 找到任意一个分界 |
| 输出 | 类别与到边界距离 | 概率 | 类别 |
| 边界 | 最大间隔，由支持向量决定 | 概率 0.5 处 | 不唯一 |
| 异常值 | 软间隔可缓解 | 相对平滑 | 较敏感 |
实际意义：在样本少、特征维度高的场景，比如文本分类、基因数据，SVM 常能用简单核函数取得不错效果；它也是核方法思想的代表。对从业者，若数据量不大且维度高，值得作为基线试一次，记得先做特征标准化，核函数与参数用验证集选，具体实现和参数以所用工具官方文档为准。对普通人，它讲了一个朴素道理：分界线不只要分对，还要留有余地。