machine-learning - 如何理解SVM中的函数边际？

Question

我正在阅读 Andrew NG 的机器学习笔记，但功能边距定义让我感到困惑:

我可以理解几何边距是从x到其超平面的距离，但是如何理解功能边距？为什么他们这样定义其公式？

Answer 1

这样想:w^T.x_i +b 是模型对第 i 个数据点的预测。 Y_i 是它的标签。如果预测和真实值具有相同的符号，则 gamma_i 将为正。该实例在类边界内越“内部”，gamma_i 就越大:这更好，因为对所有 i 求和，您的类之间将有更大的分离。如果预测和标签的符号不一致，那么这个量将为负(预测器的错误决定)，这将减少你的余量，并且你越不正确，它就会减少得越多(类似于松弛变量) 。