詳細解釋
支持向量機（Support Vector Machine, SVM）是強大的監督學習算法，尋找最大化類別間隔的最優超平面，核技巧使其能處理非線性問題，在小樣本高維數據上表現優異。
核心概念：
- 最大間隔：最大化決策邊界到最近樣本的距離
- 支持向量：決定邊界的關鍵樣本
- 對偶問題：轉換為優化問題
- 核技巧：映射到高維空間
核函數：
- 線性：原始特徵空間
- 多項式：捕捉特徵交互
- RBF（高斯）：最常用，無限維映射
- Sigmoid：類似神經網絡
優勢：
- 高維數據：特徵數多於樣本時有效
- 泛化強：結構風險最小化
- 核方法：處理非線性
- 理論基礎：統計學習理論
局限：
- 大樣本：訓練複雜度高O(n²-3)
- 多類別：需擴展策略
- 機率：不直接輸出概率
- 特徵縮放：需要標準化
應用：
- 文本分類：高維稀疏
- 生物信息：基因表達
- 圖像：傳統特徵分類
- 小樣本：樣本少特徵多
軟間隔：
- 允許錯誤分類
- C參數控制正則化
SVM是經典且強大的分類算法。