拟合出来的模型为一个超平面 解决与样本维数无关,适合做文本分类 解决小样本、非线性、高维 是用于分类、回归、孤立点检测的监督学习方法的集合。 优点: 有效的高维空间 维数大于样本数的时候仍然有效 在决策函数中使用训练函数的子集 通用(支持不同的内核函数:线性、多项式、 s 型等) 缺点: 不适用于特征数远大于样本数的情况 不直接提供概率估计 接受稠密和稀疏的输入