SVM 中的 C 参数不必与核函数做任何事情。C 是与错误分类或违反最大边距的实例相关的惩罚。您可能已经知道，SVM 返回线性可分数据集（在内核空间中）的最大边距。

数据集可能不是线性可分的。在这种情况下，对应的 SVM 二次程序是不可解的。为了使其可解，我们重新定义了二次程序，以针对违反最大边际的点（错误分类的样本也违反最大边际）返回相对于某个误差成本 C 的最大边际。下面你可以看到我在网上找到的一个简单的例子。这使用线性内核，但其他非线性内核的情况也相同。

C对分类结果的影响如下图所示：

如您所见，如果您将错误惩罚设置得非常高，您最终会得到更少的错误分类和更少的支持向量（突出显示的点是 SV）。但是，如果在使用非线性内核（特别是高斯内核）时将其设置得太高，则可能会过拟合。

如果您对其背后的理论感兴趣，以下是我们正在尝试优化的内容：

如果我们写它的对偶，我们会得到：

看看有多方便！内核函数中没有C！

换句话说，您正在使用核函数将样本映射到更高维空间，然后使用一些惩罚项 C 来解决它。