SVM边距形状的意义

Question

我很难解释 SVM 边距的形状。

在以下两个示例中，都使用了 RBF 内核：

这里的分隔符在两种情况下几乎相同。在 gamma 较大的情况下（第二个示例），边距受到数据形状的影响更大。底部的这些特定训练样本作为支持向量有什么意义？底部进一步的样本在边缘内的意义是什么？

Answer 1

1. 根据径向内核的定义，当 gamma 很大时，只有 x 附近的样本才会在 f(x) 公式的总和中给出显着项。
2. 因此，当 gamma 很大且 x 远离任何样本时，f(x) 非常小。
3. 边距是 f(x) 大于 1 的线。鉴于第 2 项，现在很清楚为什么当 gamma 很大时边距具有观察到的形状。