9．1．4　支持向量机

区别于前述采用最大似然估计的机器学习方法，支持向量机是基于小样本学习的统计学习方法^［3］。支持向量机理论由Vapnik在1995年提出，用于解决二分类模式识别问题^［4］。它基于结构风险最小化原则，在向量空间中找到一个决策面，这个面是能“最好”地分割两个分类中的数据点。相关研究表明，支持向量机的学习能力是独立于特征空间维数的，决定分类面性质的只是训练样本中的支持向量部分，这样，分类器即便在高维空间中也能得到很好的应用，适合于解决特征空间维数较高的文本分类问题。