在支持向量机(SVM)中,什么是“支持向量”? A. 训练数据集中的所有数据点B. 分离超平面上的所有数据点C. 与决策边界最接近的数据点D. 决策边界上的一些关键数据点

支持向量机（SVM）的核心思想是通过寻找一个超平面，最大化两类数据之间的间隔。在这一过程中，支持向量是训练数据中对确定超平面位置起决定性作用的样本点。它们通常位于间隔边界上，即距离超平面最近的点，这些点直接决定了超平面的形状和位置。理解这一概念的关键在于明确支持向量的关键性和位置特征。

选项分析

A. 训练数据集中的所有数据点
错误。并非所有数据点都对超平面的确定起作用，只有部分关键点（支持向量）影响最终结果。

B. 分离超平面上的所有数据点
错误。数据点通常不会恰好落在超平面上，超平面的主要作用是分类，而非数据点的必然位置。

C. 与决策边界最接近的数据点
部分正确但表述不全面。支持向量确实距离超平面（决策边界）最近，但它们的关键作用在于定义间隔边界，而不仅仅是距离近。

D. 决策边界上的一些关键数据点
正确。支持向量是对确定决策边界（超平面）起关键作用的数据点，它们位于间隔边界上，直接决定了超平面的位置和间隔的大小。