一、支持向量机：
1.优点：泛化错误率较低，计算开销不大，结果易解释。
2.缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。
3.适用数据类型：数值型和标称型数据。
二、重要概念：
1.分隔超平面：
将数据集分隔开来的直线称为分隔超平面。如果所给的数据集是二维的，分隔超平面是一条直线；数据集是三维的，分隔超平面是一个平面。
2.间隔：
这里点到分隔面的距离。
3.支持向量：
离分隔超平面最近的那些点。
三、寻找最大间隔
分割超平面的形式可以写成
。点A到分隔超平面的距离表达成
。
现在的目标就是找出分类器定义的W和b。必须找出具有最小间隔的数据点，这些数据点就是支持向量。找到支持向量后，对该间隔最大化。
四、SVM的一般流程：
1.收集数据：可以使用任意方法。
2.准备数据：需要数值型数据。
3.分析数据：有助于可视化分隔超平面。
4.训练算法：SVM的大部分时间都源自于训练，该过程主要实现两个参数的调优。
5.测试算法：十分简单的计算过程就可以实现。
6.使用算法：几乎所有分类问题都可以使用SVM，值得一提的是，SVM本身是一个二类分类器，对多类问题应用SVM需要对代码做一些修改。
五、SMO高效优化算法
SMO表示序列最小优化。SMO算法是将大优化问题分解为多个小优化问题来求解。SMO算法的目标是求一系列alpha和b。
SMO算法的工作原理：每次循环中选择两个aplha进行优化处理。一旦找到一堆合适的alpha，那么就增大其中一个同时减小另一个。
六、核函数
核函数可以将数据转换成易于分类器理解的形式。
原文：http://www.cnblogs.com/SunDM12/p/7820240.html