支持向量機（support vector machines, SVM）是一種二分類模型，所謂二分類模型是指比如有很多特征（自變量X）對另外一個標簽項（因變量Y）的分類作用關系，比如當前有很多特征，包括身高、年齡、學歷、收入、教育年限等共5項，因變量為‘是否吸煙’，‘是否吸煙’僅包括兩項，吸煙和不吸煙。那么該5個特征項對于‘是否吸煙’的分類情況的作用關系研究，則稱為‘二分類模型’，但事實上很多時候標簽項(因變量Y)有很多個類別，比如某個標簽項Y為‘菜系偏好’，中國菜系有很多，包括川菜、魯菜、粵菜、閩菜、蘇菜、浙菜、湘菜和徽菜共計8類，此時則需要進行‘多分類決策函數’轉化，簡單理解為兩兩類別（8個中任意選擇2）分別建立SVM模型，然后進行組合使用。

機器學習算法常見算法中包括決策樹、隨機森林、貝葉斯等，上述均有良好的可解釋性，比如決策樹是將特征按分割點不停地劃分出類別，隨機森林是多個決策樹模型，貝葉斯模型是利用貝葉斯概率原理進行計算。與上述不同，支持向量機模型是利用運籌規劃約束求最優解，而此最優解是一個空間平面，此空間平面可以結合特征項，將‘吸煙’和‘不吸煙’兩類完全地分開，尋找該空間平面即是支持向量機的核心算法原理。

支持向量機的計算原理復雜，但對其通俗地理解并不復雜，只需要知道其需要求解出‘空間平面’，該‘空間平面’可以把不同的標簽項(因變量Y)類別特別明顯的劃分開即可。類似其它機器學習算法，支持向量機的構建步驟上，一般也需要先對數據進行量綱化處理、設置訓練數據和測試數據比例、設置相關參數調優，最終實現在訓練數據上有著良好表現，并且測試數據上也有著良好表現即可。

可以使用SPSSAU快速進行操作：