给定一个线性可分的数据集，SVM 算法背后的直觉是找到一个将两个类分开并最大化边距 （超平面到最近数据点的距离的两倍）的超平面。

因此，从分离这两个类的所有超平面中，我们希望找到具有最大边距的超平面（以实现最佳泛化）。

假设我们有两个由向量定义的平行分离超平面，并且它们之间没有数据点，它们的距离由下式给出： 为了最大化这个距离，两个超平面必须通过对立类的数据点。在这种情况下，我们可以在中间定义另一个超平面（与两个超平面具有相同的距离和相同的向量），现在具有边距。$\theta$

从公式中可以看出：较小的越大。$\|\theta\|$$m$

所以最大化边距等价于最小化$m$$\|\theta\|$. 因此，分离超平面是最优的，如果它最小化.$\|\theta\|$

这只是粗略的直觉 - 如果你想更深入地了解它背后的数学，我可以推荐：http ://www.svm-tutorial.com/2015/06/svm-understanding-math-part-3/