这真是一个有趣的问题。事实上，很多人喜欢 Svm，很多人使用它，很多人理解 svm “最大化两个边缘之间的距离”的思想，前提是正确分类所有样本！很简单，但是当我们处理不可分离的数据和过拟合问题时会变得更复杂一些。

在您的问题中，您提到此参数有助于执行正则化，但为什么我们需要正则化？答案是避免过拟合。

但什么是过拟合？过拟合是数据过拟合的问题。如果您有嘈杂的数据，过度拟合可能会更加严重。

在 Svm 中，您可以将边距之间的距离视为您拟合数据的程度的指标。如果距离太小，那么您正在尝试“分开”彼此非常接近的样本。通常，如果两个样本彼此非常接近并且它们具有不同的标签，则其中一个是不正确的，或者它是一个嘈杂的样本。

现在，根据您的问题，您有两部分，第一部分控制边距之间的距离，第二部分控制未分类的错误。改变“增加”的 lambda 将更多地关注误差而不是距离。

您减少的 lambda 越多，您可以获得的边距之间的距离就越大。

为什么你没有在你的情节中清楚地看到这一点？因为您在两个边距之间绘制了超平面，所以如果您可以绘制边距，您将看到变化的 lambda 如何影响边距之间的距离。