前言SVM 是机器学习经典高分模型，也是算法面试重难点题型，校招笔试简答、技术面深度提问高频出现。本篇整理 SVM 核心原理、间隔概念、核函数、优缺点、实战场景、面试易错题，精简背诵版答案，零基础也能吃透考点。一、SVM 核心思想全称：支持向量机核心目标：在特征空间中寻找最优分离超平面最优标准：让两类样本之间分类间隔最大化只依靠少数支持向量确定分类边界，非支持向量不影响决策面二、硬间隔与软间隔（面试必考）1. 硬间隔 SVM要求所有样本完全正确分类，不允许任何样本出错必须数据完全线性可分对噪声、异常点极度敏感，实战极少使用2. 软间隔 SVM允许少量样本分类错误，引入松弛变量平衡间隔大小与分类错误数量引入惩罚系数C控制容错程度工业界主流使用方式惩罚系数 C 作用C 越大：越重视分类正确率，容错越低，易过拟合C 越小：越追求间隔最大化，容错越高，泛化能力更强三、什么是支持向量距离分离超平面最近、决定分类边界的样本点，称为支持向量。去掉其余普通样本，仅保留支持向量依旧可以训练出相同分类面。四、线性不可分问题如何解决引入核函数，将低维线性不可分数据，映射到高维特征空间，实现线性可分。五、四大常用核函数面试总结线性核 Linear适合数据量偏大、特征维度高、本身近似线性可分场景，速度最快。多项式核 Poly适合中等复杂度数据，参数较多，调参难度偏大。高斯核 RBF（径向基核）最常用、万能核函数适用绝大多数非线性场景，小样本、低维数据效果极佳，灵活度最高。sigmoid 核多用于神经网络类比场景，日常分类使用较少。核函数选择口诀高维数据优先线性核，低维复杂数据优先高斯核。六、SVM 优缺点全面总结优点小样本数据集表现优异，少量数据即可达到很好效果高维稀疏数据适应性强依靠支持向量，模型泛化能力强分类边界精准，泛化误差可控缺点大数据量样本训练
