機器學習——支持向量機SVM之軟間隔與正則化

1、在SVM基本型的討論中，我們一直假定樣本在樣本空間或特徵空間中是線性可分的，即存在一個超平面能將不同類的樣本完全劃分開 2、然而現實任務中往往很難確定合適的核函數使得訓練樣本在特徵空間中線性可分，即使恰好找到某個核函數使訓練集樣本在特徵空間中線性可分，也很難判斷是否是過擬合造成的 3、緩解該問題的一個方法是允許支持向量機在一些樣本上出錯，爲此要引入「軟間隔」的概念     a) 軟間隔則是允許

>>阅读原文<<