简述：
支持向量机（Support Vector Machine，SVM），用中文翻译过来是这样，似乎也没有其他更好的翻译，从名字就可以看得出SVM的关键词即支持向量，支持向量决定了之后的分类面，说到这里，还没有讲，SVM是一种分类器，被普遍认为是表现很优秀的分类器。本文后面介绍都以两类分类为例。
分类间隔
在介绍SVM时，首先要提到的就是两个类别的分类间隔，先看分类间隔这个名词，似乎画个图更容易讲，如下图所示，分隔两个类别，可以有多个分类面可以选择，那么我们选择哪个呢？在SVM中要求分类间隔最大，这里考虑到经验风险和结构风险最小的问题，具体我也不展开了。
那么如何求得这个最大分隔的面呢？首先需要计算分隔距离，假设两个类别：+1和-1类，另外假设已知最佳分类面方程为，那么点到分类面的距离r可以用
表示，那么几何距离
，那么我们就可以根据最大化分隔面的距离列出如下方程：
即
即
那么接下来，我们就可以用拉格朗日乘子法进行求解了，如下转为：
定义拉格朗日函数如下：
根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题
那么我们先对上面拉格朗日函数对w和b求偏导，如下：
另上面两个式子为0，那么可以求得w的表达式，代入拉格朗日方程，整理结果如下：
公式推导到这里，核函数的形式就出现了。
根据KKT条件上式是可以求解，存在，使得w和b可以求解。
KKT条件：
=0
=0
那么可以得到
从w*和b*的表达式中得到，alpha=0的项都为0，w只依赖于alpha>0的样本点，所以对应于alpha>0的样本点称为支持向量。并且支持向量一定在间隔边界上，这个可以从KKT条件中得到。
那么现在需要做的就是要求解，这个可以由凸二次规划问题解决，但是当样本量很大的时候，这些算法会变得很低效，在1988年Platt提出一种序列最小最优化算法(sequential minimal optimization, SMO)算法。