支持向量机算法及其代码实现 支持向量机（SVM），起初由 vapnik 提出时，是作为寻求最优（在一定程度上）二分类器的一种技术
後来它又被拓展到回归和聚类应用
SVM 是一种基于核函数的方法，它通过某些核函数把特征向量映射到高维空间，然後建立一个线性判别函数（或者说是一个高维空间中的能够区分训练数据的最优超平面，参考异或那个经典例子）
假如 SVM 没有明确定义核函数，高维空间中任意两点距离就需要定义
解是最优的在某种意义上是两类中距离分割面最近的特征向量和分割面的距离最大化
离分割面最近的特征向量被称为”支撑向量”，意即其它向量不影响分割面（决策函数）
有很多关于 SVM 的参考文献，这是两篇较好的入门文献
【Burges98】 C
Burges
"A tutorial on support vector machines for pattern recognition", Knowledge Discovery and Data Mining 2(2), 1998
(available online at [1])
LIBSVM - A Library for Support Vector Machines
By Chih-Chung Chang and Chih-Jen Lin ([2]) CvSVM 支撑矢量机 class CvSVM : public CvStatModel //继承自基类 CvStatModel { public: // SVM type enum { C_SVC=100, NU_SVC=101, ONE_CLASS=102, EPS_SVR=103, NU_SVR=104 };//SVC 是SVM 分类器，SVR 是 SVM 回归 // SVM kernel type enum { LINEAR=0, POLY=1, RBF=
