在支持向量机中，软间隔与硬间隔的核心差异体现在哪些方面？请分别说明它们的定义、适用场景以及各自对异常值和噪声的处理方式。

回答思路

1. 【回答框架 1】硬间隔要求所有训练样本都被正确分类且距离超平面至少为1，适用于线性可分数据，对噪声和异常值敏感，容易过拟合。
2. 【回答框架 2】软间隔允许部分样本违反间隔约束，通过引入松弛变量和惩罚参数C来平衡间隔最大化与误分类损失，适用于线性不可分或含噪声的数据。
3. 【回答框架 3】硬间隔是软间隔在C趋于无穷大时的特例，此时不允许任何误分类；软间隔通过调整C控制对误分类的容忍度，C越大越接近硬间隔。
4. 【回答框架 4】实际应用中，数据通常存在噪声或重叠，软间隔更稳健，能提升泛化能力；硬间隔仅在数据完全线性可分且无噪声时使用。
5. 【回答框架 5】选择间隔类型需结合数据分布、噪声水平和模型复杂度，软间隔通过交叉验证确定C值。
6. 【关键点 1】硬间隔要求严格分类，软间隔允许少量误分类。
7. 【关键点 2】软间隔引入松弛变量和惩罚参数C，平衡间隔与误差。
8. 【关键点 3】硬间隔易过拟合，软间隔泛化能力更强。
9. 【关键点 4】C越大，软间隔越接近硬间隔。
10. 【关键点 5】实际数据多采用软间隔，硬间隔仅适用于理想线性可分场景。
11. 【易错点 1】混淆软间隔与硬间隔的适用条件，硬间隔不适用于含噪声数据。
12. 【易错点 2】忽略C值对模型复杂度的影响，C过小可能导致欠拟合。
13. 【易错点 3】误认为软间隔一定优于硬间隔，需根据数据特性选择。