问SVR中超参数C的定义是否与SVM中相应的C相反？

EN

我刚刚意识到，由于nice article，支持向量机可以用于回归，然而，我对超参数C的定义感到相当困惑。

我很清楚与每个数据点相关的松弛变量\xi_i和分类支持向量机中的超参数C。在那里，目标函数是\min_{w，b} \frac{|w|}{2} + C\sum_{i=1}^N \xi_i，使得

y_i (w \cdot x_i + b) \ge 1- \xi_i和\xi_i \ge 0。

在支持向量机中，C越大，惩罚就越大，因此当C变为无穷大时，软支持向量机就会变成硬支持向量机。(对于原始的latex代码，很抱歉，我记得latex是受支持的，但似乎不是这样)

从链接的文章中，目标函数和约束如下

我认为这些方程还意味着C越大，惩罚就越大。然而，这篇文章的作者提出了相反的观点，

​

我注意到有人在文章末尾问了作者同样的问题，但没有得到回应。

我猜等式中可能有一个拼写错误，所以我从任何参考资料中寻找支持，然后我发现SVR in Python使用相同的约定，正则化的强度与C成反比。我试图检查SVR的源代码，但我找不到任何公式。有人能帮我解决这个问题吗？谢谢!