支持向量机的基本理念是找出一条线或一个超平面，进行二分类。
利用margin的概念，使得margin的值最大化，即max 2/||w||，然后这个公式被转换成 min 1/2*||w||^2。之后用拉格朗日因子代替进公式得到一个二次方式，在限制条件下进行求解。可以得到，基本情况下alpha值都是0，只有少数x值使得alpha不为0，就是这些值为support vectors。当然不是所有情况都是linearly separable，所以引进一个惩罚因子C，允许软间隔，允许一些输入值没有很好的分类。
之后引进了一个kernel的概念，利用kernel trick可以将低维的值升级为高维的，从而得到一个超平面可以很好的将其进行分类。典型的比如k（x，y）=phi（x）的转置*phi（y），当phi（x）=（x1^2，x2^2，2^（1/2）*x1*x2，k（x，y）=（x1*y1+x2*y2）^2=（x的转置*y）^2。 这种情况可以将一些二维不可分点升到三维空间，得到一个超平面进行分类。
作为svm是一个二分类模型，相对应会有svr作为regression的模型。这个模型有待研究。
