🔑 名詞卡
SVM（Support Vector Machine，支援向量機）
🎯 定義
監督式學習中常用的分類工具，特別適合解決二元分類問題。透過建立一個最佳的分類邊界（超平面），將數據劃分為不同的類別。CH3.4 定位：鑑別式AI中的一種強大分類模型，核心思想是尋找一個能最大化類別間隔的超平面。
原理
- 目標是找到最佳決策邊界（超平面），並最大化不同類別樣本間的間隔
- 當數據線性不可分時，透過核函數（如多項式核、高斯核）將數據映射到高維特徵空間，實現非線性分類
應用
- 廣泛應用於醫療領域，例如透過分析醫學影像，協助醫生識別腫瘤是良性還是惡性，提高診斷準確性
- 文本分類：垃圾郵件檢測、情感分析
- 圖像識別：人臉識別、物件分類
- 生物資訊學：基因表達數據分析、蛋白質分類
易混淆
- vs 神經網路：SVM 透過超平面劃分類別，適合結構化、特徵明確的二元分類問題；神經網路模仿人腦神經元運作，能處理高度非線性、複雜的數據（如語音辨識）。
- vs 邏輯迴歸：同屬鑑別式分類模型，SVM 靠「最大間隔超平面＋核函數」處理非線性問題，邏輯迴歸靠「機率閾值」分類。
📖 課文原文「支援向量機（Support Vector Machine, SVM）是一個常用的工具，特別適合解決二元分類問題。SVM 透過建立一個最佳的分類邊界（超平面），將數據劃分為不同的類別。」
（CH3.4）「支援向量機（Support Vector Machine, SVM）是一種強大的分類模型，其核心思想在於尋找一個能夠最大化類別間隔的超平面，從而達到最優的分類效果。SVM 透過引入核函數，將線性不可分的數據映射到高維特徵空間，進而實現非線性分類。」
CV 中的角色（中級科目一補充）
在電腦視覺技術演進的「特徵工程主導」時期（1980s–2010），SVM 是常見的傳統分類器之一，依據人工設計的手工特徵（如色彩、紋理）建立分類邊界，後被深度學習（CNN）取代。