SVM麻雀虽小,五脏俱全,从机器学习的三要素都涉及到且还包括凸优化、KKT,对偶等知识,下面总结一下SVM在面试中经常会被问到的问题?
- SVM的分类函数是什么,超平面是什么,分类标签是什么?
- 函数间隔是什么?,几何间隔是什么?,他们各自有什么数学上的直观意义?它们之间关系是怎样的?为什么再有了函数间隔基础上还要提出几何间隔?
- SVM的优化目标是什么?在此优化目标下,能保证什么,不能保证什么?
- 为什么在优化时可以将函数几何间隔视为单位“1”,有何作用?
- SVM的原始二次凸优化问题的是什么?目标函数和约束条件是如何推导出来的?
- SVM的原始二次凸优化问题为什么要转化成拉格朗日对偶问题?
- SVM原始二次凸优化问题转换为对偶问题过程是怎么样的?
- 求出拉格朗日乘子α后,法向量好确定,偏置b如何求出?
- 为什么要引入核函数?引入核函数后原始优化问题与对偶问题的形式有何改变? 常用核函数有哪些?
- 为什么要引入松弛变量?引入松弛变量后原始优化问题与对偶问题的形式有何改变?松弛变量有何数学上的直观意义?
- 原始问题与对偶问题等价的条件是什么?slater条件与KKT条件究竟是什么关系?
- 支持向量的意义是什么?
- 按照结构风险函数的角度怎样来看待SVM?
- SMO算法的思想是什么?
- SVM的model、evaluate、optimization分别是啥(模型、策略与算法)?
- SVM如何做回归问题?
- SVM如何做多分类问题?