它是一个距离单位，我通常会假设欧几里得距离。

更详细地说：

数据点$x_i$被投影到向量上$w$，它定义了有区别的线性超平面的方向，因为它正交于$w$. 判别超平面沿方向“固定”$w$由偏置项决定$b$.

所以为了分类一个积极的数据点$x_{+}$我们想要$wx_{+} + b$为正数。

对于负$x_{-}$数据点$wx_{-}+b$应该是负数。

我们可以通过使用标签将这两个不期望的结果组合成一个约束，所以我们想要$y_{+}(wx_{+}+b) \geq 0$和$y_{-}(wx_{-}+b) \geq 0$.

通过更换$0$具有正值$d \geq 0$，我们可以改变约束来编码我们希望点应该是$d$远离判别超平面，给出的约束是$y_i(wx_i +b) \geq d$.

什么样的距离单位取决于向量空间。通常使用欧几里得向量空间中的正交投影，在这种情况下，它将是欧几里得距离。

SVM 的主要公式是 -$y_i(wx_i +b) \geq d$

在推导过程中，将其改为1，使其对所有超平面都标准化。
如果必须描述，它将是 -
“大于” “每单位最小边距距离”

假设，
如果一个超平面的最小边距点在4 欧几里得距离
另一个超平面的最小边距点在4.5 欧几里得距离

所以，这个 1 意味着， 第一个超平面 的“每 4 个单位”的1 个单位和另一个超平面的“每 4.5 个单位”的 1 个单位$y_i(wx_i +b) \geq$

这意味着什么-
这更多是为了数学上的方便。它添加的另一个简洁之处是，最大化方程从 F/
变为 1/。 F是离平面最近的点的距离。$w$$w$

为什么它不会影响点位置 和
，平面即不会改变。所以我们以这样的方式重新调整它，使得 F 变为 1。这个“1”对于不同的超平面会有所不同，具体取决于它的。$(wx_i +b)$$w$$b$
$w$

简洁地从支持向量机添加了此屏幕。
如果你想用 python 代码对 SVM 进行非常详细的从头到尾的解释，请阅读它

---

SVM 的良好参考
Alexandre Kowalczyk
Shuzhanfan Yaser
Abu-Mostafa 教授

Actaully 1 无关紧要。这只是一个随机参数。没有真正的意义。你只是假设一些积极的距离。

Because the hyperplane is scale invariant, we can fix the scale of w,b anyway we want. Let's be clever about it, and choose it such that