支持向量机同样是一种分类算法，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，当训练样本线性可分时，通过硬间隔最大化学习一个线性可分支持向量机；当训练样本近似线性可分时，通过软间隔最大化学习一个线性支持向量机；当训练样本线性不可分时，通过核技巧和软间隔最大化学习一个非线性支持向量机，该算法思路比较简单，但推导过程比较复杂，需要高等数学知识；
算法优点：① 纯高等数学知识思维，可解释性强，不依靠统计方法，从而简化了通常的分类和回归问题；② 采用核技巧之后，可以处理非线性分类/回归任务；③ 最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾难”
算法缺陷：① 训练时间长，时间复杂度；② 当采用核技巧时，如果需要存储核矩阵，则空间复杂度为 ；③ 预测时间与支持向量的个数成正比，当支持向量的数量较大时，预测计算复杂度较高。
