我在阅读Andrew NG的机器学习笔记时，对功能边界的定义感到困惑：

我能理解几何边界是x到其超平面的距离，但如何理解功能边界呢？为什么他们这样定义其公式？

回答：

可以这样理解：w^T.x_i + b 是模型对第i个数据点的预测。Y_i 是它的标签。如果预测和真实标签的符号相同，那么gamma_i 将是正值。这个实例在类边界内越“深”，gamma_i 就越大：这更好，因为对所有i求和时，你将在类之间有更大的分离。如果预测和标签的符号不一致，那么这个量将是负值（预测器的错误决策），这将减少你的边界，而且错误越大，边界减少得越多（类似于松弛变量）。