数据挖掘之支持向量机面试基础问题汇总_支持向量机问答题

作者：你好赵伟 | 2024-06-20 15:02:53

踩

支持向量机问答题

支持向量机(SVM)本质上是一种二分类模型，它的基本模型是通过在特征空间中寻找一个间隔最大化的分割超平面来进行线性分类的分类器模型。

它进行分割的策略主要有三种：

支持向量本质上也是向量，它是指特征空间内支撑分割超平面那些数据点。或者说是距离超平面分界线最近的那些点。超平面就是由这些点确定的，他们支撑着超平面。

为了解决泛化能力不好这个问题，可以通过软间隔进行处理。所谓软间隔，就是通过引入松弛变量，使得SVM可以容忍超平面间隔内有异常点的存在。

引入核函数的目的主要是为了解决训练样本线性不可分的问题。通过引入核函数可以将原始数据映射到高维特征空间上，进而解决非线性的分类问题，然后进一步可以简化处理映射后的对偶问题。

对偶问题的解决，是通过找这样一个核函数来解决的，核函数=前后样本间特征空间的内积。

常用的核函数：

SMO算法为了简化使用拉格朗日乘子法转换后所获得的关于alpha的函数的求解。求出alpha同时为避免通用的二次规划算法可能会造成巨大的开销，因此引入了SMO算法。

SVM的优点：

SVM的缺点：

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/你好赵伟/article/detail/740178