SVM 有 3 个非常重要的组件：支持向量、分离超平面和边距。

• 当发生错误分类时，这是因为给定点位于分离超平面的错误一侧，这称为 分类错误。
• 每当一个点在边距内时，都算作边距误差。
• SVM的总误差是分类误差和边际误差之和。

现在，要了解 C 参数，您必须知道有两种类型的 SVM：

• 硬边距：这些尝试在不引入任何错误的情况下最大化边距。
• 软边距：它们也具有相同的目标，但它们允许发生一些分类和边距错误。允许的错误数由 C 参数（通常称为惩罚参数）控制：如果 C 较小，则 SVM 允许一些错误，因此可以达到更好的泛化；但是随着 C 的增加，SVM 越来越多地惩罚这些错误，最终达到它根本不允许错误的程度。

正如您在左侧看到的那样，一个非常大的 C 通过不允许任何错误来限制模型，当存在异常值时显示非常糟糕的结果。在右边，通过使用一个小的惩罚参数，我们让负离群值位于正区域，因此最大化边际值并达到更尊重的分离超平面。

不过，请注意，如果您有一个具有非常大 C 值的软边距 SVM，它的行为将与硬边距 SVM 一样。