Soft margin (SVM) to wariant algorytmu maszyn wektorów nośnych, który dopuszcza pewien stopień błędów i nakładania się klas w danych treningowych. W przeciwieństwie do wersji hard margin, wprowadza on tzw. zmienne relaksacyjne (slack variables), które pozwalają niektórym punktom danych znaleźć się wewnątrz marginesu lub po złej stronie granicy decyzyjnej. Kontrolę nad kompromisem pomiędzy szerokością marginesu a tolerancją na błędy klasyfikacji sprawuje parametr regularyzacji C. Dzięki temu podejście to jest znacznie bardziej odporne na szum oraz wartości odstające, co pozwala na lepszą generalizację modelu w przypadku rzeczywistych, nieregularnych zbiorów danych.
Źródło: geeksforgeeks.org
