廣泛應用於機器學習、計算機視覺和數據挖掘。
假設實心圓和空心圓通過三八線分成兩類，有無數條線可以完成這個任務。在SVM，找到壹個最佳分割線，以最大限度地擴大雙方的利潤。
擴展數據:
SVM的優勢
1，高維:SVM可以高效處理高維特征空間的分類問題。這在實際應用中具有深遠的意義。比如在文章分類問題中，單詞或短語組成壹個特征空間，特征空間的維數高達10的六次方。
2.節省內存:雖然訓練樣本點可能很多，但SVM在決策時只依賴有限數量的樣本(即支持向量)，所以計算機內存只需要存儲這些支持向量即可。這大大減少了內存的使用。
3.應用廣泛:實際應用中的分類問題往往需要非線性的決策邊界。通過靈活地使用核函數，SVM可以很容易地生成不同的非線性決策邊界，這保證了它可以在不同的問題上有很好的表現(當然，如何為不同的問題選擇最合適的核函數是用戶需要解決的問題)。
百度百科-支持向量機