在本課中，我們看過一個例子：軟性邊界的線性 SVM（低 cost、較寬邊界）比對應的硬性邊界模型（高 cost、較窄邊界）有更好的準確率。以下哪個敘述最能完成這句話：
線性軟性邊界分類器最有可能在下列情況有用：
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
本章將透過一個簡單的 1 維範例，引介支援向量機的關鍵概念。你也會一步步建立一個線性可分的資料集，供下一章使用。
本章透過將 svm 演算法應用於線性可分的資料集，帶你認識支援向量機的基本概念。關鍵概念會以來自演算法輸出的資料所建立的 ggplot 視覺化來說明，並以簡單範例凸顯 cost 參數的角色。章末會介紹演算法如何處理多分類問題。
當前練習
本章以一個徑向可分（也就是具有圓形決策邊界）的資料集介紹多項式核函式。在展示線性核對此資料集的不足之後，你會看到如何透過簡單轉換，讓問題變為線性可分，進而引出對核技巧的直觀說明。接著，你將把多項式核套用到該資料集，並調整得到的分類器。
本章承接前三章內容，介紹高度彈性的徑向基底函式（RBF）核。你將建立一個「較複雜」的資料集，以凸顯多項式核的限制。接著，透過對 RBF 核的直觀動機說明，你會看到它如何彌補本課程中其他核函式的不足。
