支持向量机(SVM)是一种监督学习算法，通过寻找最优超平面进行分类。文章重点讨论了硬间隔和软间隔两种SVM策略：硬间隔要求完全线性可分但易过拟合，软间隔通过引入松弛变量允许一定误分类，提升模型鲁棒性。详细阐述了软间隔的数学优化过程，包括铰链损失函数的定义和优化目标的构建，其中参数C用于控制对误差的惩罚力度——C越大模型越严格，C越小模型越宽松。通过平衡超平面宽度和分类误差，软间隔SVM能更好地处理