Hastie 等人的《统计学习要素》有一章完整介绍了支持向量分类器和 SVM（在您的情况下，从第 2 版的第 418 页开始）。另一个很好的教程是R 中的支持向量机，作者 David Meyer。

除非我误解了您的问题，否则决策边界（或超平面）由$x^T\beta + \beta_0=0$（和$\|\beta\|=1$， 和$\beta_0$截距项），或者正如@ebony 所说的支持向量的线性组合。边距是$2/\|\beta\|$，继 Hastie 等人之后。符号。

来自kernlabksvm() R 包中的在线帮助，但另请参阅kernlab – An S4 Package for Kernel Methods in R，这是一个玩具示例：

set.seed(101)
x <- rbind(matrix(rnorm(120),,2),matrix(rnorm(120,mean=3),,2))
y <- matrix(c(rep(1,60),rep(-1,60)))
svp <- ksvm(x,y,type="C-svc")
plot(svp,data=x)

请注意，为了清楚起见，我们不考虑训练和测试样本。结果如下所示，其中颜色阴影有助于可视化拟合的决策值；0 附近的值在决策边界上。

调用attributes(svp)为您提供可以访问的属性，例如

alpha(svp)  # support vectors whose indices may be 
            # found with alphaindex(svp)
b(svp)      # (negative) intercept 

因此，为了显示决策边界及其相应的边距，让我们尝试以下（在重新缩放的空间中），这在很大程度上受到了Jean-Philippe Vert不久前关于 SVM 的教程的启发：

plot(scale(x), col=y+2, pch=y+2, xlab="", ylab="")
w <- colSums(coef(svp)[[1]] * x[unlist(alphaindex(svp)),])
b <- b(svp)
abline(b/w[1],-w[2]/w[1])
abline((b+1)/w[1],-w[2]/w[1],lty=2)
abline((b-1)/w[1],-w[2]/w[1],lty=2)

这里是：

它是支持向量的线性组合，其中系数由对应于这些支持向量的拉格朗日乘数给出。