在SVM中，增加安全的间距因子
那么增加了这个间距因子后，会出现什么样的结果呢，我们将C设置为很大（C=100000）
SVM决策边界
当我们将C设置得很大进，要想SVM的cost function最小，则要使蓝色框里面的term=0，即当y(i)=1时，θTx(i)>=1;当y(i)=0时，θTx(i)<=-1。这时我们的cost function就会变成上图右边所示（S.T.表示限制条件），在求解这个cost function的最小值的时候，我们会得到一个决策边界，这时我们的决策边界会是什么样子呢？
SVM决策边界: 线性可分的例子(直观上理解什么叫做大间距分类器)
上图中的正负例子，我们可以线性可分，如上图所示，绿色的线，粉红色的线，黑色的线都可以将其分开，但是黑色的线分开的表现是最好的，绿色、粉红都有一些不好。黑色的线与两个正负样本之间有大的间距（margin）。故SVM具有robustness（鲁棒性）: 健壮和强壮的意思。即它努力用最大间距来分离样本
所以SVM也称为Large margin classifier(大间距分类器)
在求解上幅图中的cost function的最小值的时候，我们会得到类似于上面的这个决策边界，即努力用最大间距来分离样本，为什么会得到这个分类器将以后介绍。现在我们只是对SVM的large margin classifier有一个直观上的了解。
SVM是如何处理异常点的
我们可以从直观上看到SVM做为一个大间距分类器（当C非常大时），将画出黑色的决策边界线。当C非常大时，这时如果有一个异常正值点（上图左下角），这时SVM就会画出粉色的决策边界线，但是为了一个异常值将决策线从黑色改为粉色并不好，这里如果我们将C设置不那么大(not too large)时，SVM的决策边界线还是黑色的那条，不会受异常点而变动。
当C不是很大时，SVM在有异常值的情况下（如上图中的4个异常值）仍然可以将样本分离出来。
C=1/λ,当C很大时，即λ很少，即正则化参数很小，则趋向于画出过拟合的线；当C不是很大时，即λ有值，加入了正则化，泛化能力增强，不会为了一两个异常值而改变。
总结
- 当C很大时，我们从直观上理解SVM做为大间距分类器
- 当C不是很大时，SVM有较好的泛华能力，能适应异常值
