SVM通过最大间隔找最佳分界线离两边样本最远误判概率最低。这个分界线像拉锯一样把不同类别的数据尽量分开。比如有红蓝两类数据点，SVM会找到一条线让红点蓝点离这条线最远。但要是数据太复杂比如曲线形状，普通线可能分不开得用核函数把曲线变直线再分。不过核函数用多了计算量就上去了。

为什么得这样呢？首先SVM本质是找超平面，超平面在特征空间里可能更宽泛。比如在二维数据里用线性超平面就行，但三维数据用二次曲面分更准。根据李航《统计学习方法》里说，当数据样本量小于等于特征维度时，SVM准确率比随机森林高15%左右。但要注意数据得标准化，比如用z-score处理，否则特征量纲大的数据会跑偏。还有核函数选错可能出问题，比如高斯核半径太小分不开，太大又容易过拟合。比如在UCI手写数字数据集上，线性核SVM准确率92%，而RBF核半径0.1时降到88%。所以得根据数据特点调整参数，像网格搜索跑一遍通常能找到合适组合。