在机器学习中，支援向量机是在分类问题与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM训练算法建立一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。
1
相关向量机是使用贝叶斯推理得到回归和分类的简约解的机器学习技术。RVM的函数形式与支持向量机相同，但是可以提供概率分类。
Scikit-learn是用于Python编程语言的自由软件机器学习库。它的特征是具有各种统计分类、回归分析和聚类分析算法，包括支持向量机、随机森林、梯度提升技术、K-平均算法和DBSCAN，它被设计协同于Python数值和科学库NumPy和SciPy。
在机器学习中，径向基函数核，或称为RBF核，是一种常用的支持向量机。它是支持向量机统计分类中最为常用的核函数。
统计学习理论，一种机器学习的架构，根据统计学与泛函分析而建立。统计学习理论基于资料，找出预测性函数，之后解决问题。支持向量机的理论基础来自于统计学习理论。
在机器学习中，径向基函数核，或称为RBF核，是一种常用的支持向量机。它是支持向量机统计分类中最为常用的核函数。
序列最小优化算法是一种用于解决支持向量机训练过程中所产生优化问题的算法。SMO由微软研究院的约翰·普莱特于1998年发明，目前被广泛使用于SVM的训练过程中，并在通行的SVM库LIBSVM中得到实现。 1998年，SMO算法发表在SVM研究领域内引起了轰动，因为先前可用的SVM训练方法必须使用复杂的方法，并需要昂贵的第三方二次规划工具。而SMO算法较好地避免了这一问题。
在机器学习中，径向基函数核，或称为RBF核，是一种常用的支持向量机。它是支持向量机统计分类中最为常用的核函数。
Mini wiki
