什么是支持向量机（Support Vector Machine, SVM）？

支持向量机（Support Vector Machine, SVM）是一种经典的监督学习算法，主要用于分类任务，也可应用于回归问题。其核心思想是通过在数据空间中构建一个决策边界（超平面），最大化不同类别间的间隔（margin），从而实现高效分离。支持向量即距离边界最近的数据点，它们决定了模型的最终形式。SVM通过核技巧（如径向基函数）将非线性问题映射到高维空间，构建更复杂的模型。SVM的优势在于对小样本数据集的高效性和稳定性（对噪声较不敏感），泛化能力较好，尤其在解释性要求高的场景中（如合规性强的金融或医疗应用）。然而，与现代深度学习算法相比，SVM在处理大规模数据时训练速度较慢、计算资源消耗大，且对特征选择敏感。

在AI产品开发的实际落地中，SVM广泛应用于文本分类（如垃圾邮件检测）、图像识别（如手写数字识别）、异常检测（如金融欺诈识别）和推荐系统（如用户兴趣分类）等场景。产品经理需注意其在小样本数据集上的高效性优势，但在处理大规模数据时可能面临训练速度慢和计算资源消耗大的挑战，因此在产品化过程中常需结合特征工程和优化策略来平衡性能与效率。