非常详细的机器学习知识点汇总（二）之SVM23问

SVM23问

1、SVM中的推导过程？推导到对偶问题！

2、硬间隔和软间隔如何定义？软间隔中的惩罚系数表示？

3、SVM的硬间隔和软间隔表达式？

4、SVM使用对偶计算的目的是什么？

5、线性可分、近似线性可分、线性不可分的定义？

6、什么是KKT条件？

7、怎么理解SMO算法？

8、是不是所有的优化都可以转换成对偶关系？

9、SVM引入拉格朗日算子之后原问题其实就可以求解，为什么要转换成对偶问题，两者的适用情况分别是什么？

10、SVM和全部数据有关还是和局部数据有关?

11、讲一讲SVM的损失函数？为什么要用Hinge Loss？

12、什么是支持向量？

13、什么是松弛变量？松弛变量提出的意义？

14、常用核函数及核函数的条件？写出核函数公式？

15、拉格朗日乘子法能否求解非凸的目标函数问题？

16、带核函数的SVM为什么能分类非线性问题？

17、SVM和LR哪个更容易过拟合，当数据不平衡时SVM会发生什么情况？

18、SVM和LR的区别？什么时候采用SVM,什么时候采用LR?

19、SVM怎么防止过拟合？

20、SVM如何做回归？

21、KKT条件有哪些？

22、SVM的优缺点？

23、SVM的分类间隔是多少？

更多内容请关注公众号【3D视觉工坊】，欢迎一起交流学习~