请比较支持向量机（SVM）与感知机（Perceptron）在模型形式、训练目标、损失函数、决策边界以及泛化能力上的主要区别，并指出各自适用的典型场景。
考察说明
考查对经典分类模型（感知机与SVM）核心原理差异的理解，包括模型形式、优化目标和边界特性。
回答思路
- 【回答框架 1】感知机是一种线性分类模型，其模型形式为 f(x)=sign(w·x+b)，通过误分类点驱动的损失函数（误分类点到超平面的总距离）进行训练，使用随机梯度下降更新参数。其目标是找到一个能将训练数据正确分类的超平面，但该超平面不唯一，且只能处理线性可分数据，否则训练不收敛。
- 【回答框架 2】SVM（支持向量机）同样是线性分类器，但引入间隔（margin）最大化的概念，通过求解带有约束的二次规划问题，找到使几何间隔最大的超平面。SVM的损失函数为合页损失（hinge loss），并引入正则化项，支持软间隔处理线性不可分数据，通过松弛变量和惩罚参数C在间隔与误分类之间权衡。
- 【回答框架 3】从决策边界看，SVM的解由支持向量决定，即靠近边界的少数样本，具有稀疏性，泛化能力通常优于感知机。感知机解不唯一，受初始化和样本顺序影响，且边界可能离数据较近，鲁棒性较差。
- 【回答框架 4】SVM可引入核技巧将数据映射到高维空间，处理非线性分类问题，而感知机是线性的，无法直接处理非线性。实际应用中，SVM常用于中小型数据集且需要高泛化性能的场景，感知机则作为基础模型或在线学习场景。
- 【关键点 1】感知机是线性模型，损失函数为误分类点到超平面距离，SVM使用合页损失并最大化间隔。
- 【关键点 2】SVM的超平面由支持向量决定，解更稳定且泛化能力更强。
- 【关键点 3】感知机仅适用于线性可分数据，SVM通过软间隔和核技巧可处理非线性问题。
- 【关键点 4】SVM引入正则化参数C控制间隔与误分类的权衡，感知机没有明确的间隔概念。
- 【易错点 1】误认为感知机与SVM的决策边界总是相同，实际上SVM解是唯一的，感知机解不唯一。
- 【易错点 2】忽略SVM软间隔和核技巧的重要性，错误地认为SVM只能处理线性可分数据。
- 【易错点 3】在比较时只强调正确率，而不分析间隔大小和泛化性能的差异。