据我所知，在SVM（支持向量机）中，你可以添加一个松弛变量ε来“软化”边框。从一些教科书中读到，它提到了ε＆gt; 1将允许相应的样本被错误分类为属于错误的类。例如，如果我们有：
g = yf(x)
要成为实际类别标签（1或-1）与模型预测（实数）之间的乘积，那么任何正确分类的样本都会导致g为正。 （即：y和f（x）都是正数，它们都是负数。
因此，我们可以将模型的损失计算为max(0, 1-g)，其中任何错误分类的样本将导致1-g > 0并且出现正损失。通过添加ε项，我们得到max(0,1-g-ε)，这使得模型更容忍错误。
然而，只有ε＆gt; 1允许错误分类，而0 <1。 ε＆lt; 1只允许样品在仍被正确分类的情况下超过边距？
答案 0 :(得分：1)
对于0＆lt;ξ≤11$，该点在边缘与超平面的正确边之间。
所以，ξ/ || w ||＆lt; 1 / || w ||。这称为保证金违规
ξ＆gt; 1 仅表示错误分类，因为，ξ/ || w ||＆gt; 2 / || w ||。
另一件事是松弛变量（ξ）本身意味着损失最大值（0,1-g）。
如果您有疑问，请参阅this文件。
注意：我使用ξ而不是ε来避免任何符号滥用。