in a SVM you are searching for two

in a SVM you are searching for two things: a hyperplane with the largest minimum margin, and a hyperplane that correctly separates as many instances as possible. The problem is that you will not always be able to get both things. The c parameter determines how great your desire is for the latter. I have drawn a small example below to illustrate this. To the left you have a low c which gives you a pretty large minimum margin (purple). However, this requires that we neglect the blue circle outlier that we have failed to classify correct. On the right you have a high c. Now you will not neglect the outlier and thus end up with a much smaller margin.

Kết quả (Việt) 1:

trong một SVM bạn đang tìm kiếm cho hai điều: một hyperplane với rìa tối thiểu lớn nhất, và một hyperplane một cách chính xác tách càng nhiều càng tốt. Vấn đề là rằng bạn sẽ không phải luôn luôn có thể để có được cả hai điều. Các tham số c sẽ xác định như thế nào hay mong muốn của bạn là cho sau này. Tôi đã rút ra một ví dụ nhỏ dưới đây để minh họa điều này. Bên trái, bạn có một c thấp mà cung cấp cho bạn một biên độ tối thiểu khá lớn (màu tím). Tuy nhiên, điều này đòi hỏi rằng chúng tôi bỏ qua outlier vòng tròn màu xanh chúng tôi đã không thể phân loại chính xác. Bên phải bạn có một c cao. Bây giờ, bạn sẽ không bỏ bê outlier và do đó kết thúc với một lợi nhuận nhỏ hơn nhiều.

Kết quả (Việt) 2:

trong một SVM bạn đang tìm kiếm hai điều: một siêu phẳng với biên độ tối thiểu lớn nhất, và một siêu phẳng phân cách một cách chính xác như nhiều trường hợp càng tốt. Vấn đề là bạn sẽ không phải luôn luôn có thể có được cả hai thứ. Các tham số c xác định như thế nào tuyệt vời mong muốn của bạn là cho sau này. Tôi đã rút ra một ví dụ nhỏ dưới đây để minh họa điều này. Để bên trái, bạn có một c thấp mang đến cho bạn một lợi nhuận tối thiểu khá lớn (màu tím). Tuy nhiên, điều này đòi hỏi chúng ta bỏ qua các vòng tròn màu xanh outlier rằng chúng tôi đã thất bại trong việc phân loại chính xác. Ở bên phải bạn có một c cao. Bây giờ bạn sẽ không bỏ rơi các outlier và do đó kết thúc với một biên độ nhỏ hơn nhiều.