算法岗面试知识点-SVM支持向量机总结概述

SVM定义：定义在特征空间间隔最大化的线性分类器。
学习策略：间隔最大化，可形式化为求解凸二次规划问题。
分类：
当数据线性可分时，使用硬间隔支持向量机（不允许分类出错）；
当数据近似线性可分时，使用软间隔支持向量机（允许部分分类数据错误，整体最优即可）；
当数据线性不可分时，使用核函数技巧+软间隔支持向量机。
特点：小样本学习算法；非线性映射；决策函数依赖于少量的边界支持向量。
问：
SVM为什么采用间隔最大化策略？
对数据寻找其分离超平面时会存在多个分类超平面可以使得数据分开，而使用间隔最大化寻找到的最优分离超平面，可以保证其解是唯一的。其次间隔最大分离超平面其分类效果更优，模型鲁棒性更强，泛化能力最强。
为什么SVM要将问题转化为求解对偶问题？
SVM将求解参数问题转换为求解对偶问题本质上是将求解W和b的问题转换为求解核函数和b的问题。
一方面，可以将目标函数和约束融入到新函数中，使得求解问题更易处理；
另一方面，引入的核函数概念可以使得原始问题推广到非线性问题上。
SVM为什么要引入核函数？
当数据线性不可分的时候，通过引入核函数使得当前数据映射到高维空间中，使得其在高位特征空间中线性可分。
SVM核函数有哪些？
线性核函数，用于线性可分时，速度快，可用于特征数较大时；
高斯核函数，用于数据线性不可分时，用于特征维度较小；
拉普拉斯核函数，多项式核函数，sigmoid核函数等。
SVM求解多分类问题如何解决？
直接法，直接在目标函数上修改，将多个分离超平面参数集中到一个最优化问题上；
间接法，使用多个SVM分类器等。