blocks|key|5146521|text|您可以尝试sklearn.svm.SVC，其中的参数C控制边距[1]的柔和度。Here是一个演示，说明了这种效果。|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|5146522|​|5146523|📷|atomic|5146524|5146525|entityMap|0|LINK|mutability|MUTABLE|url|https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC|1|https://people.eecs.berkeley.edu/%257Ejordan/courses/281B-spring04/lectures/lec6.pdf|2|https://scikit-learn.org/stable/auto_examples/svm/plot_svm_margin.html|3|IMAGE|IMMUTABLE|imageUrl|https://ask.qcloudimg.com/http-save/yehe-900000/cd95b9eb7d3dd539c5fd622bcdae941a.png|imageAlt^0|5|F|5|F|0|W|1|1|13|4|2|0|0|0|1|3|0|0^^$0|@$1|2|3|4|5|6|7|13|8|@$9|14|A|15|B|C]]|D|@$9|16|A|17|1|18]|$9|19|A|1A|1|1B]|$9|1C|A|1D|1|1E]]|E|$]]|$1|F|3|G|5|6|7|1F|8|@]|D|@]|E|$]]|$1|H|3|I|5|J|7|1G|8|@]|D|@$9|1H|A|1I|1|1J]]|E|$]]|$1|K|3|G|5|6|7|1K|8|@]|D|@]|E|$]]|$1|L|3|-4|5|6|7|1L|8|@]|D|@]|E|$]]]|M|$N|$5|O|P|Q|E|$R|S]]|T|$5|O|P|Q|E|$R|U]]|V|$5|O|P|Q|E|$R|W]]|X|$5|Y|P|Z|E|$10|11|12|-4]]]]

You can try <a href="https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC" rel="nofollow noreferrer"><code>sklearn.svm.SVC</code></a>, in which parameter C controls the softness of margin [<a href="https://people.eecs.berkeley.edu/%7Ejordan/courses/281B-spring04/lectures/lec6.pdf" rel="nofollow noreferrer">1</a>]. <a href="https://scikit-learn.org/stable/auto_examples/svm/plot_svm_margin.html" rel="nofollow noreferrer">Here</a> is a demonstration to illustrate the effect.
<a href="https://i.stack.imgur.com/zBJRF.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/zBJRF.png" alt="enter image description here" /></a>

I 've read a bit of soft margin.In real-world tasks it is often difficult to determine the appropriate kernel function that makes a training sample linearly separable in feature space; even if one happens to find a kernel function that makes the training set linearly separable in feature space, it is difficult to conclude that the seemingly linear result is not due to overfitting.One way to alleviate this problem is to allow the support vector machine to make errors on some samples. To do this, the concept of &quot;soft margins&quot; is introduced.But I don't really understand why it's okay to do that.I was hoping someone could illustrate it with pictures.

About SVM, what is the role of soft margin？

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我读过一些软margin.In现实世界的任务，通常很难确定适当的核函数，使训练样本在特征空间线性可分；即使人们碰巧找到了使训练集在特征空间线性可分的核函数，也很难得出看似线性的结果不是由于overfitting.One的原因。缓解这个问题的方法是允许支持向量机在某些样本上出错。要做到这一点，“软边际”的概念是introduced.But我真的不明白为什么可以这样做，我希望有人能用图片来说明它。

问关于支持向量机，软边距的作用是什么？
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问关于支持向量机，软边距的作用是什么？EN