如何理解SVM的功能边界？

Question

我正在阅读Andrew NG的机器学习笔记,但功能边缘定义让我困惑:

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

Answer 1

可以这样想：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） 。