支持向量机（SVMs）中的支持向量是什么样子的分布？

我们知道，支持向量机的决策面是由支持向量决定的。通常的文献中，在绘制支持向量机的示意图的时候，支持向量的选择都是离决策面最近的点。但是只要我们仔细想想，真实情况应该不是这个样子的。因为如果两团数据是一个标准的圆，那么，分类面应该是由连个圆离得最近的两个点来决定。只要两个圆离得足够远，那么，就会有无穷多个决策平面存在。这个明显不符合模型具有最优的假设。因此，我们跑一下libsvm，来看看支持向量的分布是什么样子的？

这个深颜色的点是支持向量，是不是很意外？支持向量是图形的完整的包络。

clear;clc;
N = 1000;

a = [1;1];
b = [50;50];
  Sigma = [1 .5; .5 2]
X1 = Sigma*randn(2,N);
t1 = sum(X1.^2);
ind2 = t1 <3;
ind1 = 1<t1;

Xtr1 = a+X1(:,ind1);
Xtr2 = a+X1(:,ind1&ind2);


N = 1000;

Sigma = [1.4 .5; .5 2.3]
X1 = Sigma*randn(2,N);
t1 = sum(X1.^2);
ind2 = t1 <3;
ind1 = 1<t1;


Xtr1_ &