我有一组N个数据点X，这些数据点带有正负标签，我希望计算它们的最大间隔线性分离器（也称为分类器、超平面），如果不存在这样的线性分离器则失败。
在这个问题的情境下，我不希望避免过拟合，因为我在其他地方已经处理了这个问题。所以不需要松弛变量；不需要交叉验证；不需要限制支持向量的数量；只需找到最大间隔分离器或失败即可。
如何使用libsvm来实现这一点？我认为在C-SVM中不能设置c=0，在nu-svm中不能设置nu=1。
相关问题（我认为没有提供答案）：LibSVM中的哪个参数是松弛变量？
回答：
在C-SVM的情况下，你应该使用线性核函数并设置一个非常大的C值（或者在nu-SVM中设置nu = 0.999…）。如果在这种设置下仍然存在松弛变量，可能你的数据不是线性可分的。
简要解释：C-SVM的优化函数试图找到一个具有最大间隔且误分类成本最低的超平面。C-SVM公式中的误分类成本定义为：误分类点到其正确一侧的超平面的距离，乘以C。如果你增加C值（或在nu-SVM中增加nu值），每个误分类点都会变得非常昂贵，优化函数会更倾向于选择一个能完美分离数据的超平面。
