核技巧（Kernel Trick）
SVM 的核心优势在于通过核函数将数据映射到高维空间，解决线性不可分问题。常用的核函数包括：
- 🟢 线性核：适用于线性可分数据，计算效率高
- 🟡 多项式核：适合处理非线性关系，参数灵活
- 🔵 径向基函数（RBF）核：通用性强，能处理复杂边界
- 🟣 Sigmoid核：类似神经网络激活函数，用于非线性分类
软间隔与正则化
在现实数据中，完全线性可分的情况较少。通过引入软间隔（Soft Margin），SVM 可以：
- 允许部分样本分类错误
- 通过参数 $ C $ 平衡分类误差与模型复杂度
- 避免过拟合，提升泛化能力
📘 想深入了解参数调优技巧？可参考 /机器学习教程/参数调优指南
多分类策略
SVM 本为二分类模型，但可通过以下方式扩展：
- 🔄 一对多（OvA）：训练多个分类器，每个区分一个类别
- 🔄 一对一（OoA）：所有类别两两组合训练分类器
- 🔄 决策树集成：结合其他算法实现多分类
应用场景与局限性
✅ 适用场景：
- 小样本数据集
- 高维特征空间
- 明确的分类边界
❌ 局限性：
- 计算复杂度较高
- 对参数敏感
- 需要预处理数据
如需进一步探索 SVM 的实战案例，可访问 /svm案例分析 获取代码示例与可视化演示。