核心概念

支持向量机

通过间隔正则项与铰链损失学习分类边界，并可借核函数形成非线性边界。

更新：2026-08-26Support Vector Machine

简明解释

支持向量机（support vector machine，SVM）在控制模型范数的同时惩罚落入间隔或分错的样本；核函数可隐式形成非线性表示。特征尺度、正则参数与核参数影响很大，原始决策值是相对边界的位置，不是概率。[1, §§12.1–12.3]

别和什么混淆

逻辑回归优化对数损失并直接给0到1输出；SVM常优化铰链损失。两者都可有线性边界，但分数含义不同。

在本书中

见第10章：监督学习。

本页参考来源

Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning — Data Mining, Inference, and Prediction [M]. Springer, 2009. Second edition. 定位：§§12.1–12.3, especially eqs. (12.8), (12.25). DOI；稳定来源（访问 2026-08-26）。

相关概念