SVM的主要思想可以概括為兩點(diǎn)：

• 它是針對線性可分情況進(jìn)行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能。
• 它基于結(jié)構(gòu)風(fēng)險最小化理論之上在特征空間中構(gòu)建最優(yōu)超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個樣本空間的期望以某個概率滿足一定上界。

SVM的主要優(yōu)點(diǎn)：

• 支持向量機(jī)廣泛模式識別領(lǐng)域中的文本識別,中文分類,人臉識別等，同時也應(yīng)用到許多的工程技術(shù)和信息過濾等方面.
• SVM 基本上不涉及概率測度及大數(shù)定律等,因此不同于現(xiàn)有的統(tǒng)計方法。它避開了從歸納到演繹的傳統(tǒng)過程,實(shí)現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報樣本的“轉(zhuǎn)導(dǎo)推理”,大大簡化了通常的分類和回歸等問題；
• SVM 的最終決策函數(shù)只由少數(shù)的支持向量所確定,計算的復(fù)雜性取決于支持向量的數(shù)目,而不是樣本空間的維數(shù),這在某種意義上避免了“維數(shù)災(zāi)難”。

SVM的主要缺點(diǎn)：

• SVM算法對大規(guī)模訓(xùn)練樣本難以實(shí)施
• 用SVM解決多分類問題存在困難