支持向量机（SVM）通过找到由训练集的某些点确定的决策面，即所谓的支持向量（SV），在两个点类之间执行模式识别。该曲面在某些可能无限维的特征空间中可视为超平面，它是由依赖于正则化参数的二次规划问题的解获得的。在本文中，我们研究了支持向量的一些数学性质，并表明决策面可以写成两个正交项的和，第一个正交项仅取决于边缘向量（即位于边缘上的SV），第二个正交项与正则化参数成正比。对于几乎所有的参数值，这使我们能够预测决策面在小参数变化时的变化。在有限维特征空间的特殊但重要的情况下米，我们还表明最多有米+1个边界向量，并观察到米+1个SV通常足以完全确定决策面。对于相对较小的米后一结果导致SV数一致减少。
