SVM-支持向量機學習（4）：再談線性SVM-正則化合頁損失函數

1. 軟間隔到損失函數的推導 線性可分SVM中認定：存在一個超平面可將不同類的樣本完全分開。 現實任務中很難確定合適的核函數使得訓練樣本在特徵空間線性可分。即使恰好找到某個核函數使得訓練集在特徵空間中線性可分，也很難斷定這個貌似線性可分的結果不是由於過擬合造成的。 緩解辦法就是：軟間隔，即允許某些樣本不滿足約束： 當然最大化間隔的同時，不滿足約束的樣本儘可能少，優化目標可寫爲： C是常數，l 是0

>>阅读原文<<