支持向量机SVM的灵魂17问

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?

1. SVM的分类函数是什么，超平面是什么，分类标签是什么？
2. 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？
3. 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？
4. 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？
5. 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？
6. 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？
7. SVM原始二次凸优化问题转换为对偶问题过程是怎么样的？
8. 求出拉格朗日乘子α后，法向量好确定，偏置b如何求出？
9. 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？
10. 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？
11. 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？
12. 支持向量的意义是什么?
13. 按照结构风险函数的角度怎样来看待SVM？
14. SMO算法的思想是什么？
15. SVM的model、evaluate、optimization分别是啥(模型、策略与算法)？
16. SVM如何做回归问题？
17. SVM如何做多分类问题？