支持向量機（Support Vector Machines, SVM）是一種廣泛套用於機器學習和數據挖掘領域的監督學習算法，主要用於二分類問題。其基本思想是通過找到一個能夠將不同類別的數據點最大化分隔的超平面，從而實現數據的分類。SVM的目標是找到這樣一個超平面，使得兩類數據點之間的間隔最大，這樣可以提高模型對新數據的分類準確性。
SVM可以分為線性可分和非線性不可分兩大類。線上性可分的情況下，存在一個超平面可以將數據完全分開，而不存在誤差。當數據非線性不可分時，可以通過核技巧將數據映射到高維空間，從而使其變得線性可分。
支持向量是SVM中的一個重要概念，它們是離分隔超平面最近的那些點，這些點決定了超平面的位置。間隔是指支持向量到超平面的距離，間隔最大化是SVM的一個重要最佳化目標。
SVM不僅限於二分類問題，通過組合多個二分類器，也可以用於多分類問題。此外，SVM還可以用於回歸分析和異常值檢測等任務。
在實際套用中，SVM的表現和選擇往往依賴於具體的數據集和任務需求。通過調整核函式、懲罰參數C以及使用軟間隔等方法，可以在不同場景下最佳化SVM的性能。