这篇文章主要参考了如下两篇博文，并加入了自己的理解。
前言
这篇文章首先探讨了SVM为什么会对噪声敏感的问题，然后引出了解决办法——软间隔分类器，接着介绍了松弛变量和惩罚因子，并介绍了样本偏斜的解决办法，最后有一个总结。
SVM为什么会对噪声敏感？
之前看周志华老师的《机器学习》里说SVM对噪声敏感，后来查了一些资料，然后有了自己的理解，在这里做一个总结。
SVM的基本形态是一个硬间隔分类器，它要求所有样本都满足硬间隔约束(即函数间隔要大于1)，所以当数据集有噪声点时，SVM为了把噪声点也划分正确，超平面就会向另外一个类的样本靠拢，这就使得划分超平面的几何间距变小，降低模型的泛化性能。除此之外，当噪声点混入另外一个类时，对于硬间隔分类器而言，这就变成了一个线性不可分的问题，于是就使用核技巧，通过将样本映射到高维特征空间使得样本线性可分，这样得到一个复杂模型，并由此导致过拟合（原样本空间得到的划分超平面会是弯弯曲曲的，它确实可以把所有样本都划分正确，但得到的模型只对训练集有效）。
如何克服？
为了解决上述问题，SVM通过引入松弛变量构造了软间隔分类器，它允许分类器对一些样本犯错，允许一些样本不满足硬间隔约束条件，这样做可以避免SVM分类器过拟合，于是也就避免了模型过于复杂，降低了模型对噪声点的敏感性，提升了模型的泛化性能。
因为松弛变量是非负的，因此样本的函数间隔可以比1小。函数间隔比1小的样本被叫做离群点，我们放弃了对离群点的精确分类，这对我们的分类器来说是种损失。但是放弃这些点也带来了好处，那就是超平面不必向这些点的方向移动，因而可以得到更大的几何间隔（在低维空间看来，分类边界也更平滑）。显然我们必须权衡这种损失和好处。
软间隔分类器的优化问题如下所示，后面开始介绍松弛变量和惩罚因子。
松弛变量
松弛变量表示样本离群的程度，松弛变量越大，离群越远，松弛变量为零，则样本没有离群。
惩罚因子
惩罚因子表示我们有多重视离群点带来的损失，当C取无穷大时，会迫使超平面将所有的样本都划分正确，这就退化成了硬间隔分类器。
惩罚因子是事先指定的值，对应于libsvm库的参数C。
每个松弛变量对应的惩罚因子可以不一样。
我们可以用惩罚因子来解决样本偏斜的问题。
什么是样本偏斜，这会带来什么后果
样本偏斜是指数据集中正负类样本数量不均，比如正类样本有10000个，负类样本只有100个，这就可能使得超平面被“推向”负类（因为负类数量少，分布得不够广），影响结果的准确性。
如何解决
可以通过为正负类样本设置不同的惩罚因子来解决样本偏斜的问题。具体做法是为负类设置大一点的惩罚因子，因为负类本来就少，不能再分错了，然后正负类的惩罚因子遵循一定的比例（如下文三种情况所述），具体值要通过实验确定。
三种情况：
（1）首先，如果是因为采样得到的样本不够多样性或者数量不够而导致的样本偏斜(分布范围不均)，可以通过衡量正负类分布的程度来确定惩罚因子的比例。比如计算它们在空间中占据的体积，例如给负类找一个超球（就是高维空间里的球），它要包含所有负类的样本，再给正类找一个，比较两个球的半径，就可以大致确定分布的情况。显然半径大的分布比较广，就给小一点的惩罚因子。
（2）但是，如果是因为正负类本身性质所导致的分布范围不均，此时即使超球半径差异很大，也不应该赋予两个类别不同的惩罚因子。例如文本分类中，某些话题涉及的面很窄，例如计算机类的文章就明显不如文化类的文章那么“天马行空”，这就会导致它们的超球半径差异很大，但这是由它们自身性质决定的，与样本多样性和数量多少无关，换言之，这个时候不存在样本偏斜的问题。
（3）但是，实际中我们不会这么做，因为实在太麻烦了，当正负类数量不均时，比如正负类数量比为100：1，则惩罚因子的比例直接就定为1:100（libsvm中就是这么做的）。
总结
SVM是一个使用核技巧的软间隔分类器，它的完整形态如前式所示。
若令惩罚因子C为无穷大，则SVM退化为硬间隔分类器，此时使用线性核只能处理线性可分的样本（因为对于线性不可分的样本，无法找到一个超平面可以正确划分所有样本，于是模型参数不存在可行解）；
若令惩罚因子C为适当值，则使用线性核的SVM可以处理线性或近线性的样本（这是因为此时允许分类器在某些样本上出错，所以对于近线性的样本，可以找到一个超平面将大部分样本正确划分）。
我们当然要令C为适当值，毕竟软间隔分类器对噪声没那么敏感。
转载请注明如下内容：
文章来自简书，作者：就是杨宗
原文链接：http://www.jianshu.com/p/8a499171baa9
