正则化参数 (lambda) 用作赋予错误分类的重要程度。SVM 提出了一个二次优化问题，它寻求最大化两个类之间的边距并最小化错误分类的数量。但是，对于不可分离的问题，为了找到解决方案，必须放宽误分类约束，这是通过设置提到的“正则化”来完成的。

因此，直观地说，随着 lambda 变大，允许错误分类的示例越少（或损失函数中的最高价格）。然后当 lambda 趋于无限时，解决方案趋于硬边距（不允许错误分类）。当 lambda 趋于 0（而不是 0）时，允许的错误分类越多。

这两个和通常较小的 lambdas 之间肯定存在折衷，但不是太小，可以很好地概括。以下是线性 SVM 分类（二进制）的三个示例。

对于非线性核 SVM，这个想法是相似的。鉴于此，对于较高的 lambda 值，过度拟合的可能性较高，而对于较低的 lambda 值，则存在较高拟合不足的可能性。

下图显示了 RBF 内核的行为，让 sigma 参数固定为 1 并尝试 lambda = 0.01 和 lambda = 10

您可以说 lambda 较低的第一个数字比旨在更精确地拟合数据的第二个数字更“宽松”。

（Oriol Pujol 教授的幻灯片。巴塞罗那大学）