支持向量（Support Vector，简称SV）是支持向量机（Support Vector Machine，简称SVM）中的一个核心概念。在机器学习中，支持向量机是一种用于分类和回归的算法，它通过在特征空间中找到一个最优的超平面来区分不同的类别。
具体来说，支持向量是这样的点：
1. 最优分割超平面：在特征空间中，支持向量是那些位于最优分割超平面两侧的边界点。最优分割超平面是能够将不同类别数据点尽可能分开的超平面。
2. 边界点：支持向量是那些距离最优分割超平面最近的点，这些点对超平面的位置起着决定性的作用。
3. 影响超平面位置：支持向量对确定超平面的位置和宽度有重要影响。超平面的位置和宽度会影响分类器的性能，而支持向量正是影响这些参数的关键点。
4. 噪声点：在训练数据中，有些点可能并不是真正的支持向量，它们可能只是噪声点。然而，在计算最优分割超平面时，这些噪声点也可能成为支持向量。
简而言之，支持向量是那些对确定SVM分类器性能有重要影响的点。在SVM算法中，找到支持向量是关键的一步，因为它们直接决定了超平面的位置和宽度。
