1. Метод опорных векторов (SVM) ищет разделяющую гиперплоскость с большим геометрическим зазором между классами. Максимизация зазора является основным принципом построения разделяющей границы. Модель стремится разделить объекты разных классов с учётом их расположения в пространстве признаков.

2. Опорные векторы — это наблюдения, расположенные на границе геометрического зазора или нарушающие его. Они существенно влияют на положение разделяющей гиперплоскости. Поэтому именно эти наблюдения играют важную роль в формировании решения SVM.

3. Soft-margin SVM допускает нарушения геометрического зазора. При оптимизации необходимо соблюдать баланс между шириной зазора и штрафом за нарушения. Этот баланс регулируется параметром C. Изменение C влияет на строгость штрафа и поведение модели.

4. Ядерные функции позволяют строить нелинейные разделяющие границы без явного преобразования объектов в новые координаты. Линейное ядро формирует линейную границу и хорошо подходит, например, для высокоразмерных разреженных текстовых признаков. RBF-ядро позволяет получать нелинейные границы, но чувствительно к параметру gamma. Поэтому его необходимо осторожно настраивать и использовать вместе с масштабированием признаков.

5. Масштабирование признаков является важной частью применения SVM, особенно при использовании RBF-ядра. Гиперпараметры модели, включая C и gamma, выбираются на валидационных данных. Итоговое качество проверяется на независимых наблюдениях. При интерпретации результатов необходимо учитывать размер выборки, шум измерений, возможный сдвиг распределения и сравнение с простым базовым решением.