支持向量机，英文名support vector machine，简称SVM，是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

通过超平面方程来二分，如下图，±1 刚好经过分别处于两类最边缘的点，而 0 则正好处于经过最边缘点直线的中间线，而直线的斜率是基于尽可能的拉长最边缘点距离。

对一个数据点进行分类，当超平面离数据点的“间隔”越大，分类的确信度（confidence）也越大。为了使得分类的确信度尽量高，需要让所选择的超平面能够最大化这个“间隔”值。

函数间隔不适合用来最大化间隔值，因为在超平面固定以后，可以等比例缩放w的长度和b的值，这样可以使得的值任意大，亦即函数间隔可以在超平面保持不变的情况下被取得任意大
但几何间隔因为除上了，使得在缩放w和b的时候几何间隔 的值是不会改变的，它只随着超平面的变动而变动，因此，这是更加合适的一个间隔。换言之，这里要找的最大间隔分类超平面中的“间隔”指的是几何间隔

大部分时候数据并不是线性可分的，对于非线性的情况，SVM 的处理方法是选择一个核函数，将数据映射到高维空间，来解决在原始空间中线性不可分的问题。