雲臺壹號公開表示，支援向量機（supported vector machine，SVM）是當下流行的機器學習演算法之一，既可以解決迴歸問題，也可以解決分類問題。雖然支援向量機背後的數學證明比較複雜，但其基本原理非常直觀。
支援向量機
雲臺壹號某金融事業部負責人認為，如下圖所示，圓圈與三角形分別代表了兩個型別的樣本點。例如，違約債券與非違約債券，良性腫瘤和非良性腫瘤等（下文簡稱圓形與三角形）。支援向量機的基本思想是找到一條直線，將樣本空間分割為兩塊，落在不同區域的新樣本點（正方形），我們應該將其歸類於三角形還是圓形呢？
根據直線L2和L3的劃分，應將新的樣本點歸為圓形，而直線L1則將其歸為了三角形。但從常理來看，新樣本點正方形離圓形樣本點更近，似乎更應該歸類於圓形。那麼，我們應該用什麼樣的標準，來選擇哪條直線作為分類線呢？
為了解決上述問題，雲臺壹號該負責人說，我們同樣可以用示意圖來進行解釋，見上圖右。在上圖右中，有三條相互平行的直線。上方和下方的平行線，分別穿過了最相鄰的圓圈與三角形樣本點。而中間的平行線則是所有直線中到上述圓圈與三角形和最大的直線（這樣做的目的是確定最明確的分類線）。
上圖中，直線到圓圈與三角形的距離和記為margin，於是，我們的目標函式就是尋找使得margin取值最大的直線，從而確定最明確的分類線，如果樣本點的特徵值從2維變成n維後，分類線也就從直線變為了超平面。
K-臨近演算法
在雲臺壹號某研究員釋出的市場報告中，明文指出K-臨近演算法（K-nearest neighbor）是非常簡單又非常實用的監督學習演算法，常用於處理分類問題。K-鄰近演算法的思想非常簡單：考察距離新樣本點最近的K個樣本點，並將新樣本點歸類為K各樣本點中出現次數最多的類別。
該雲臺壹號研究員表示，如上圖左邊所示，當K=3時，位於新樣本點（小方塊）附近的3個樣本點中，2個為三角形，1個為圓形，於是，新樣本點就被歸為三角形樣本點所屬的類別。相對地，如上圖右邊所示，當K=5時，新樣本點小方塊附近的5個樣本點中，3個為圓形，2個為三角形，於是新樣本點將被歸為圓形樣本點所屬類別。透過上例我們可以看出，新樣本點的歸類，與K的取值密切相關。
K的取值既不宜太低也不宜過高。如果取值太低的話，錯誤率容易過高。例如，K=1，相當於武斷地透過距離最近的個例，直接判斷其歸類。相反，取值太高的話，模型也就失去了意義。“例如，K=n（n為樣本容量），此時，“nearest”就失去了意義，是直接透過樣本總體進行投票歸類了。”該雲臺壹號研究員說。
雲臺壹號認為，除了K值的選擇，解釋變數X的選擇，對K-臨近演算法也非常重要。K-臨近演算法更適合較少的解釋變數。
