SVM 是一种面向二分类任务的机器学习模型，其模型结构能够在特征空间上产生最大间隔的超平面。
构造 SVM 模型的关键在于找到一个使得两类不同类型样本之间间隔最大的超平面，通常采用间隔最大的优化计算方式构造 SVM 。
适合解决小样本、非线性及高维模式识别。
6.1 线性可分
哪条分隔线更好？
d反映了超平面对整个数据集的 "分类裕度"，d 越大，超平面离所有样本的 "安全距离" 越远，分类鲁棒性越强。
最大化数据集的最小函数间隔，找到对所有样本分类最 "稳健" 的最优超平面，这是 SVM 分类模型的核心优化逻辑