本文详细解答了121至140道关于人工智能、深度学习、机器学习的面试题目，涵盖SVM理论、逻辑回归、AdaBoost、XGBoost、KNN算法、Boosting方法、随机森林等多个关键知识点，讨论了模型防止过拟合和欠拟合的策略，以及聚类算法的距离度量。内容深入浅出，有助于面试者准备相关领域的面试。
121.逻辑斯蒂回归能否解决非线性分类问题？
122.SVM的主要特点
（1）非线性映射-理论基础
（2）最大化分类边界-方法核心
（3）支持向量-计算结果
（4）小样本学习方法
（5）最终的决策函数只有少量支持向量决定，避免了“维数灾难”
（6）少数支持向量决定最终结果—->可“剔除”大量冗余样本+算法简单+具有鲁棒性（体现在3个方面）
（7）学习问题可表示为凸优化问题—->全局最小值
（8）可自动通过最大化边界控制模型，但需要用户指定核函数类型和引入松弛变量
（9）适合于小样本，优秀泛化能力（因为结构风险最小）
（10）泛化错误率低，分类速度快，结果易解释
123.SVM为什么采用间隔最大化？
当训练数据线性可分时，存在无穷
订阅专栏 解锁全文
扫一扫
694
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
