SVM+逻辑回归+ 决策树

经典算法

支持向量机

问题一：
在空间上线性可分的两类点，分别向SVM 分类的超平面上做投影，这些点在超平面上的投影仍然是线性可分？
不是
问题二：
是否存在一组参数使SVM训练误差为0？
是
问题三：
训练误差为0的SVM分类器一定存在吗？（本题旨在找到一组参数满足训练误差为0，且是SVM 模型的一个解）
是
问题四：
加入松弛变量的SVM的训练误差可以为0 吗？
NO，使用SMO 算法训练的线性分类器并不一定能得到训练误差为0 的模型，这是由于优化目标改变了，并不在是使训练误差最小（而是使目标函数最优）

逻辑回归

 问题一
    逻辑回归与线性回归异同？
         1  逻辑回归处理分类问题，线性回归处理的是回归问题；
         2  逻辑回归的因变量为离散的，线性回归的因变量是连续的
         3  在自变量x与超参数确定，逻辑回归可以看作广义线性模型；
         相同：
         1  都使用极大似然估计对训练样本进行建模：线性回归：最小二乘法（实际上是在自变量x与超参数确定，因变量y服从正态分布的假设下，使用极大似然的一个简化，逻辑回归使用对数似然）
         2  在求解超参数的过程中，都使用了梯度下降
 
问题二：
当使用逻辑回归处理多标签的分类问题时，有哪些常见做法，分别应用于哪些场景，它们之间又有怎样的关系&#