SVM松弛变量解读

1.松弛变量反映了SVM模型对野点的容忍程度，只有野点有对应的松弛变量。也就是说，软间隔的SVM允许部分样本点分类错误来换取模型更强的泛化能力。

2.松弛变量本质是个变量，而且不能小于0。软间隔SVM为其配备了惩罚参数C。C越大意味着松弛变量要越小，对野点容忍度更低；C越小则模型允许更多的野点分类错误。

3.SVM处理非线性可分问题除了引入松弛变量外，还有使用核函数。核函数在非线性到线性转化方面能力更强，一般的用法都是先用核函数把数据转化为近似线性可分，然后使用松弛变量对模型进一步优化。

4.引入松弛变量后SVM的对偶形式并没有太大的不同，唯一的变化表现在对拉格朗日橙子的约束上。

注：本博文属个人笔记性质，图文若涉及侵权，请联系本人，博主将及时整改。