我正在使用库e1071在R中训练SVM模型，在此我更改了成本函数并观察了所得支持向量的数量。
library("e1071")
library("mlbench")
data(Glass, package="mlbench")
svm.model <- svm(Type ~ ., data = Glass, cost = 0.00100, gamma= 1)
sum(svm.model$nSV)
#[1] 208
svm.model <- svm(Type ~ ., data = Glass, cost = 1, gamma= 1)
sum(svm.model$nSV)
#[1] 183
svm.model <- svm(Type ~ ., data = Glass, cost = 100000, gamma= 1)
sum(svm.model$nSV)
#[1] 172
我的问题如下：
此处的成本参数是否等于软裕量SVM的双重Lagrange公式中的C参数？
如果这些参数相同，那么我们不应该观察到越来越多的支持向量吗？
“但是，在这里，就像在任何正则化方案中一样，至关重要的是为惩罚因子C选择一个合适的值。如果太大，对不可分离点的惩罚就很高，我们可能会存储很多支持向量和过度拟合如果它太小，我们可能不合身。”
Alpaydin（2004），第224页
给出的示例表明，成本参数越大，我们得到的支持向量就越少。那么，这里出了什么问题？
[编辑1]我与上述图书馆的编辑交换了一些电子邮件，他举了一个反例。
“基本上，是的，但这不是线性的，请尝试：”
N = sapply（1：1000，function（i）svm（Species〜。，data = iris，cost = i）$ tot.nSV）
积（N）
最佳答案
我从库创建者那里得到了这个答案：基本上是的，但这不是线性的，请尝试：AND = sapply（1：1000，function（i）svm（Species〜。，data = iris，cost = i）$ tot。 nSV）图（N）
关于r - SVM:成本参数VS。支持向量数，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27401105/