向量機（Vector Machine，簡稱VM）是一種統(tǒng)計學習模型，它通過將輸入空間映射到一個高維特征空間，在高維空間中找到一個線性可分的最優(yōu)超平面，從而實現(xiàn)對數(shù)據(jù)的分類或回歸。向量機的基本思想是最大化不同類別之間的分離程度，即最大化分類間隔。

向量機的主要特點如下：

1. 線性可分性：向量機假設數(shù)據(jù)在某個高維空間中是線性可分的，即存在一個超平面可以將不同類別的數(shù)據(jù)點完全分開。

2. 核技巧：當數(shù)據(jù)在原始特征空間中不是線性可分時，向量機可以通過核函數(shù)將數(shù)據(jù)映射到高維空間，使得原本線性不可分的數(shù)據(jù)在高維空間中變得線性可分。

3. 泛化能力：向量機具有較強的泛化能力，能夠處理高維數(shù)據(jù)，并且對噪聲和異常值有較好的魯棒性。

4. 分類和回歸：向量機既可以用于分類問題，也可以用于回歸問題。

向量機的常見類型包括：

支持向量機（SVM）：通過最大化分類間隔來尋找最優(yōu)超平面，是向量機中最常用的方法之一。

線性向量機：在原始特征空間中尋找最優(yōu)超平面。

非線性向量機：通過核函數(shù)將數(shù)據(jù)映射到高維空間，尋找最優(yōu)超平面。

向量機在實際應用中非常廣泛，如文本分類、圖像識別、生物信息學等領域。