支持向量是指训练数据集中距离分类超平面最近的样本点，它们直接决定了分类器的决策边界位置。根据2017年发布的谷歌开发者机器学习术语表，支持向量机通过将输入数据向量映射到更高维度的空间使正类和负类之间的边际最大化 。
非支持向量对分类边界的最终形态不产生影响，因此模型训练完成后仅需保留支持向量的参数。这一特性显著降低了算法在预测阶段的计算复杂度。
算法原理播报
在支持向量机的实现过程中，算法通过以下步骤识别支持向量：
1.
将原始数据映射到高维特征空间，解决线性不可分问题
2.
构造凸二次规划问题求解最优分离超平面
3.
筛选出位于间隔边界上的训练样本作为支持向量
核方法的引入使得算法能够处理非线性可分数据。通过核函数隐式计算高维空间的内积，避免显式映射带来的维度灾难问题。这一过程强化了支持向量在复杂分类任务中的表征能力。
数学基础播报
间隔最大化原理是支持向量选择的数学核心。给定训练集${(xi,yi)}$，优化目标可表述为：$$\min{w,b} \frac{1}{2}||w||^2 + C\sum{i=1}^n \xi_i$$其中$w$为超平面法向量，$\xi_i$为松弛变量，$C$为惩罚参数。该公式通过拉格朗日乘子法求解，最终解仅与支持向量对应的拉格朗日乘子非零值相关联。
hinge损失函数的应用确保算法对分类误差的惩罚与间隔距离呈现非线性关系：$$L(y_i) = \max(0, 1 - y_i(w\cdot x_i + b))$$这使得远离决策边界的正确分类样本不会对模型参数更新产生贡献。
物理意义阐释播报
在统计学习理论框架下，支持向量对应的物理特性体现在：
通过特征空间的可视化分析可以观察到，支持向量往往集中在类别密度变化的过渡区域，这些样本点承载着数据分布的关键拓扑信息。
应用与发展播报
基于支持向量的机器学习方法在以下领域具有重要应用价值：
随着深度学习的发展，支持向量机与神经网络的融合衍生出新的混合模型架构。这类模型通过支持向量约束神经网络的决策边界，在提升可解释性的同时保持深度特征的表达能力。
