1. 支持向量机的优点是什么? 能有效处理高维空间和局部最优的问题,理论上能达到全局最优,实现简单有效。

2. 支持向量机的缺点是什么? 对稀疏数据不够灵敏,无法直接计算概率,大数据集训练时间长。

3. 支持向量机如何解决非线性问题? 通过核技巧,将数据映射到高维空间从而线性可分。

4. 支持向量机的对偶形式是什么? 将原问题转换为仅涉及支持向量的对偶问题,以提高计算效率。

5. 支持向量机中的支持向量是什么? 支撑向量是最靠近超平面且影响超平面的训练样本。

6. 支持向量机的软间隔参数是如何确定的? 通过交叉验证选择合适的软间隔参数C。

7. 支持向量机如何处理多分类问题? 通过一对一、一对其他和自编码等策略将其转换为多个二分类问题。

8. 支持向量回归机与支持向量机的联系和区别是什么? 支持向量回归机是支持向量机的一个扩展,区别在于损失函数的不同。支持向量机用于分类,支持向量回归机用于回归。

9. 支持向量机的学习率如何确定?  支持向量机实际上是学习无参数分类器,不涉及学习率。

10. 如何理解支持向量机中的核函数?  核函数用来计算两个样本在高维特征空间的内积,实现某种相似性度量,从而完成非线性分类。

11. 支持向量机如何选择核函数?  根据数据的分布和维度等因素选择合适的核函数,常用的有线性核、多项式核、高斯核等。

12. 支持向量机的正则化参数C的作用是什么?  C值越大,容许有更多的误差样本,模型会更健壮,可能导致模型欠拟合,反之会导致过拟合。需要使用交叉验证选择合适的C值。

13. 支持向量机中的拉格朗日乘子α是什么? 拉格朗日乘子是支持向量机在求解对偶问题时引入的非负变量。

14. 支持向量机的学习对象是什么? 支持向量机的学习对象是分类超平面以及拉格朗日乘子。

15. 如何理解支持向量机中的Kernels?  Kernels 定义了特征空间中样本的内积,通过核函数可以在原始空间中实现高维特征空间的内积计算。

16. 支持向量回归机的损失函数是什么?  支持向量回归机使用ε-不敏感损失函数。

17. 支持向量机的学习算法主要有哪两种? 主要有序列最小最优化SMO算法和内点法两种。

18. 如何解决支持向量机的多类分类问题? 常用的方法是一对一法、一对其他法和自编码法。

19. 支持向量机如何选择分母和分子? 选择使分类间隔最大化的分母和分子。

20. 核SVM和线性SVM的区别是什么? 核SVM通过核函数将数据映射到高维空间,实现非线性分类;线性SVM直接在输入空间寻找最佳分类超平面,实现线性分类。