實線為決策邊界，虛線為邊距 (Margin)
互動式監督式學習教學
支援向量機是一種試圖找到「最寬街道」(最大邊距) 來區分不同類別資料的演算法。
決定邊界位置的訓練點稱為「支持向量」；在軟邊界模型中，也可能位於邊界內或被錯分。
當資料無法用直線分開時，SVM 可以透過核函數將資料投射到更高維度的空間 —— 就像在一張平面地圖上加入「高度」資訊，讓原本混在一起的點在新的維度中可以被一個平面分開。
RBF Kernel 能產生彈性的非線性決策邊界，可以包圍任意形狀的資料群集，不僅限於圓形。
透過影片快速掌握 SVM 的最大邊距概念、核函數的直覺理解，以及如何在非線性資料上建立良好分類邊界。