支持向量機(jī)（SVM）是一個用于分類和回歸任務(wù)的強(qiáng)大模型。關(guān)于題目給出的選項(xiàng)，我們需要逐一分析：

A. **L2正則項(xiàng)，作用是最大化分類間隔，使得分類器擁有更強(qiáng)的泛化能力**
- **正確**。L2正則化在SVM中用于最大化分類間隔，幫助提高模型的泛化能力。

B. **Hinge 損失函數(shù)，作用是最小化經(jīng)驗(yàn)分類錯誤**
- **錯誤**。Hinge 損失函數(shù)的主要作用是通過懲罰距離決策邊界較近的樣本，以及錯誤分類的樣本，從而間接地最小化分類錯誤，但它不直接對分類錯誤進(jìn)行最小化。

C. **分類間隔為1/||w||，||w||代表向量的模**
- **正確**。在標(biāo)準(zhǔn)SVM中，分類間隔是1/||w||，其中||w||表示權(quán)重向量的模。

D. **當(dāng)參數(shù)C越小時，分類間隔越大，分類錯誤越多，趨于欠學(xué)習(xí)**
- **正確**。參數(shù)C控制間隔和誤分類懲罰之間的權(quán)衡。當(dāng)C較小時，更注重最大化間隔，因此可能允許更多的分類錯誤，導(dǎo)致欠擬合。

綜上分析，**B**選項(xiàng)是錯誤的。Hinge損失函數(shù)是為了使得支持向量盡量遠(yuǎn)離決策邊界，而不能簡單理解為最小化經(jīng)驗(yàn)分類錯誤。