Python 用libsvm理解SVM问题

在这里我发布了两个数字以及一些问题，有人能帮我解决它们吗，因为我真的陷入了困境

1. Training a simple linear SVM:
% svm-train -t 0 -c 100 data0 data0.model
% python drawBoundary.py data0
where: 
-t 0    -- use a linear kernel
-c 100  -- set "C" = 100, which means "overfit a lot"

然后是结果图：

这是一个易于分离的数据集，由少量的支持向量反映出来。在绘图中，SV被画得很大（并且在边距上，虚线距离决策边界一个单位，实线）

接下来是第一个问题：

Q1: You should have found that it takes 3 support vectors. Could you have fewer (eg., 2) support vectors here? And why?

我的答案是否定的，3是最小的数字。但那只是我的直觉。我不知道为什么。谁能给我解释一下原因吗

以下是结果图：

第二个问题是：

Q1: You should have found that it takes 3 support vectors. Could you have fewer (eg., 2) support vectors here? And why?

问题2：为什么会有这些小斑点？你要转多高 gamma向上移动，以便在每个 示例（即每个决策边界仅围绕一个示例）

---

对于这个问题，我完全迷路了

第一个问题应该是3点，因为你需要在同一侧的两个点来画一条线，然后在另一侧的一个点用来画第二条线（与第一条线平行）。这3个点将被选择为具有最大裕度（即平行线具有最大间隔/距离）。如果不使用3个点，那么始终有一种方法可以增加两条平行线之间的距离，因此这不是我们正在寻找的解决方案

对于第二个问题，我想必须尝试几个gamma值来回答。Gamma通常取一组10次方的值（不确定这是正确的英语：）例如{110100}={10^0100^1102}。我们通过交叉验证来选择适合我们的数据。这样做使我们能够有一个有效的支持向量机，既不过度拟合，也不欠拟合

---

希望这有帮助

非常感谢！但对于问题2，为什么会有这些小斑点？这是否意味着这些是利润线？我很困惑。