中文说明：支持向量机 (SVM) 第一次听到于 1992 年，由宝狮、 尺管和在柯尔特-92 Vapnik 介绍。支持向量机 （支持向量机）是一套用于分类和回归的相关监督的学习方法。他们属于一个家庭的广义线性分类器。另一项条款，在的支持向量机 (SVM) 是一个分类和回归的预测工具，使用机器学习理论来最大化同时自动避免过度拟合数据的预测准确性。支持向量机可以定义为系统，在高的三维特征空间，训练用一种从实现派生从统计学习理论学习偏见的优化理论的学习算法中使用的假设空间的线性函数。支持向量机与 NIPS 社会最初受欢迎，现在是机器学习研究世界各地的活动部分。支持向量机成为著名的当使用像素映射作为输入 ；它在手写识别任务给到复杂的神经网络与阐述功能相当的准确性。它还被用于许多应用程序如手写作分析、 脸分析、 等等，特别是为模式分类和回归基础应用程序。基金会的支持向量机 (SVM) 由 Vapnik 开发，获得了许多有前途的功能，例如实证性能更好的大众化。制定使用的结构风险最小化 (SRM) 原则，已被证明是优于传统经验风险最小化 （ERM） 原则上，使用常规的神经网络。SRM 凡作为 ERM 最小化的预期风险，上限减到最小的训练数据上的错误。这种差异，支持向量机具备更大的能力来概括，这是在统计学习的目标。支持向量机被开发了解决分类问题，但最近他们得到了延伸，解决回归问题。附带的源代码有关支持向量机在 gui matlab。
English Description：
Support Vector Machine (SVM) was first heard in 1992, introduced by Boser, Guyon, and Vapnik in COLT-92. Support vector machines (SVMs) are a set of related supervised learning methods used for classification and regression. They belong to a family of generalized linear classifiers. In another terms, Support Vector Machine (SVM) is a classification and regression prediction tool that uses machine learning theory to maximize predictive accuracy while automatically avoiding over-fit to the data. Support Vector machines can be defined as systems which use hypothesis space of a linear functions in a high dimensional feature space, trained with a learning algorithm from optimization theory that implements a learning bias derived from statistical learning theory. Su