【发布时间】：2020-11-27 08:17:12
【问题描述】：
我读过一些软边距。在实际任务中，通常很难确定使训练样本在特征空间中线性可分的适当核函数；即使碰巧找到一个核函数使训练集在特征空间中线性可分，也很难断定看似线性的结果不是由于过拟合造成的。缓解这个问题的一种方法是让支持向量机在一些样本上犯错误。为此，引入了“软边距”的概念。但我真的不明白为什么可以这样做。我希望有人能用图片来说明它。
【问题讨论】：
标签： machine-learning svm
【发布时间】：2020-11-27 08:17:12
【问题描述】：
你可以试试sklearn.svm.SVC，其中参数C控制margin的柔软度[1]。 Here是一个演示来说明效果。
【讨论】：
-
软边距可以考虑更多数据吗？
-
是的，但这本身并不是目标。为了学习更通用的模型，它允许训练集中的错误（例如，噪声和异常值）。只有当训练集是线性可分且没有任何错误时，硬边距 SVM 才有效。
-
,emm，我认为它通过软边距考虑更多数据以允许训练中的错误，不是吗？