Hard margin w kontekście maszyn wektorów nośnych (SVM) to podejście polegające na sztywnym i bezbłędnym rozdzieleniu danych za pomocą hiperpłaszczyzny klasyfikacyjnej. Metoda ta zakłada, że zbiór danych jest całkowicie liniowo separowalny, co oznacza, że żadna próbka treningowa nie może znaleźć się po niewłaściwej stronie marginesu ani samej granicy decyzyjnej. Rozwiązanie to dąży do maksymalizacji szerokości marginesu separującego, jednak jest bardzo wrażliwe na szum oraz punkty odstające. W praktyce, jeśli dane idealnie się nie rozdzielają, model hard margin nie będzie w stanie znaleźć poprawnego rozwiązania.
Źródło: geeksforgeeks.org
