一、从一条分界线说起

想象教室里坐了两拨同学，左边是 Python 班，右边是 Java 班，现在要在地上画一条线把他们分开。画法有无数种：紧贴着左边画、紧贴着右边画、歪着画都可以。但有一条线最稳——它离两边的人都尽量远。将来来了个新同学站在线附近，我们也不容易分错。支持向量机（Support Vector Machine，SVM）找的就是这条“最稳的分界线”，学术一点说，叫最大间隔超平面。

二、支持向量：只有“边缘人”说了算

仔细看这条最优分界线会发现：它的位置其实只由两拨人里离对方最近的几个点决定，中间坐得远远的人挪一挪座位，线纹丝不动。这几个关键的“边缘点”就叫支持向量——这也是算法名字的由来。这是个很省事的性质：训练完成后，模型只记住这几个点就够了，预测时拿新点和它们比一比即可。

三、核技巧：把“分不开”变成“分得开”

如果两拨人混坐在一起，一条直线怎么都画不开怎么办？SVM 的答案是升维：把桌子上的点“抛”到更高的空间里去看，在低维纠缠的数据，到高维往往就能用一个平面切开。妙处在于，这个升维操作有捷径——核函数（kernel）。它让算法不必真的计算高维坐标，只通过一个函数就得到等价的结果，计算量几乎没涨。最常用的是高斯核（RBF），配合前面讲过的标准化预处理，能应付绝大多数非线性数据。

四、软间隔：容忍几个“刺头”

真实数据总有几个站错队的刺头。如果强行要求所有点都分对，边界可能被个别异常点带偏。软间隔的思路是：允许少数点越界，但要“罚款”。罚款力度由参数 C 控制：C 越大，越不容忍错误，边界容易被异常点扭曲；C 越小，边界越舒展，泛化通常更好。调 C 就是在“训练集全对”和“测试集更稳”之间找平衡。

五、上手代码（sklearn）

from sklearn.svm import SVC

from sklearn.preprocessing import StandardScaler

from sklearn.pipeline import make_pipeline

# SVM 对特征尺度敏感，必须先标准化

model = make_pipeline(StandardScaler(), SVC(kernel='rbf', C=1.0))

model.fit(X_train, y_train)

print(model.score(X_test, y_test))

六、小结与面试要点

SVM 的精髓可以浓缩成三句话：找最大间隔的边界；只由支持向量决定；分不开就升维（核技巧）。面试常被追问三点：一是 SVM 为什么必须做标准化——因为间隔和核函数都基于距离，量纲大的特征会独大；二是 C 和 gamma 的含义——C 管罚款力度、gamma 管核的弯曲程度，都过大易过拟合；三是小样本高维数据为什么首选 SVM——决策只依赖支持向量，样本少、维度高时依然稳。理解了“让边界离谁都远一点”这句话，SVM 就入门了。