支持向量机是机器学习中常见的一种监督学习分类算法，是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，把样本中的正例和反例用超平面分开，分割的原则是间隔最大化。支持向量机方法较好地解决了小样本、非线性、高维数、局部极小点等分类中的实际问题。在图像处理、数据挖掘等领域被广泛应用。

该方法进行支持向量机分类的数据训练过程，可以根据数据特征得到模型，进而用于预测。

创建支持向量机分类训练任务时，需要设置以下参数：

• 训练数据集：必填参数，需要进行训练的数据集访问连接信息，需要包含数据类型，连接参数，数据集名字等信息。可以连接HBase数据，dsf数据，本地数据。

• 数据查询条件：可选参数，可以根据此查询条件筛选出指定数据进行相应分析，支持属性条件和空间查询, 如 SmID<100 and BBOX(the_geom, 120,30,121,31)。

• 解释字段：必填参数，解释变量的字段名称，输入训练数据集的一个或多个解释字段名称作为模型的自变量，可帮助预测出结果。

• 建模字段：必填参数，用于训练模型的字段，即因变量。该字段对应将用于在未知位置进行预测的变量的已知（训练）值。

• 最大迭代次数：可选参数，取值范围>0，默认值为100。

• 正则化参数：可选参数，取值范围≥0，默认值为0.0。主要用于防止过拟合现象。

• 距离解释变量数据集：可选参数，支持点、线、面数据集，计算给定数据集的要素与训练数据集中要素的最近距离，可自动创建一列解释变量。

• 模型保存目录：可选参数，将训练结果较好的模型保存至该地址下。为空表示不保存模型。

执行完该训练任务，输出以下结果参数：

• Variable：模型的字段名称数组，指训练模型中自变量的字段。

• coefficient：回归系数。

• numClasses：分类数目。

• areaUnderROC：ROC曲线下方的面积，即AUC，是用来度量分类模型好坏的一个标准，值介于0.5-1.0，较大的AUC代表模型效果更好。

• areaUnderPR：PR曲线下方的面积。同ROC曲线一样，PR曲线也是可以衡量模型好坏的指标之一。

• accuracy：准确率。