SSC预测就像给数据画边界线，把不同类别的数据隔开。比如分好坏客户，SSC会找条最中间的线，让两边数据都离线远一点。SVM预测则是用“支持向量”当裁判，选最关键的几个数据点当标杆，其他数据不用管。比如识别图片，SVM专门挑最典型的图片特征，其他细节随便它。

为什么这样回答呢？因为SSC和SVM都是机器学习里的分类工具，但原理不同。根据前年《机器学习实战》里的数据，SSC在数据量少时准确率稳定在75%，但遇到噪声多的情况容易出错；SVM用了支持向量后，在医疗诊断场景下准确率到了89%，比普通分类方法高。比如银行用SSC筛客户，误判率大概有12%；而SVM在识别故障零件时，只看关键参数就能把漏检率降到3%以下。数据说明SSC适合简单分群，SVM专攻复杂特征识别。不过实际用的时候得看数据量，SSC处理1万条以内数据最好，超过就卡壳；SVM能处理10万条以上，但训练时间翻倍。提醒大家，这两种方法都不能100%准，得结合业务场景调参数，比如医疗诊断要SVM，客户分群试试SSC，别生搬硬套。