SVM基本原理及其发展概述摘要：支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论的新型机器学习方法，它采用了结构风险最小化原则来代替了经验风险最小化能较好地解决小样本学习的问题；还采用核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。正因为SVM有较完备的理论基础和较好的学习性能，在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势，成为当前机器学习领域的研究热点问题之一，并在很多领域都得到了成功的应用。关键词：数据挖掘；统计理论；支持向量机中图分类号：TP301 文献标识码：A 文章编号：1统计学习理论统计学习理论是SVM的理论基础。基于数据的机器学习是现代智能技术中的重要方面，研究从观测样本出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。包括模式识别、神经网络等在内，现有机器学习方法共同的重要理论基础之一是统计学。传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基于此假设。但在实际问题中，样本数往往是有限的，因此一些理论上很优秀的学习方法实际中表现却可能
