支持向量机（SVM）

 A正确。考虑加入正则化项的原因：想象一个完美的数据集，y>1是正类，y<-1是负类，决策面y=0，加入一个y=-30的正类噪声样本，那么决策面将会变“歪”很多，分类间隔变小，泛化能力减小。加入正则项之后，对噪声样本的容错能力增强，前面提到的例子里面，决策面就会没那么“歪”了，使得分类间隔变大，提高了泛化能力。 B正确。 C错误。c错的是前半句  1/||w||  只是求最大分类间隔的简化形式，l2范数就是向量的模，l1范数是个绝对值之和，l0范数是向量0的个数。 D正确。考虑软间隔的时候，C对优化问题的影响就在于把a的范围从[0，+inf]限制到了[0,C]。C越小，那么a就会越小，目标函数拉格朗日函数导数为0可以求出w=求和a_i*y_i*x_i，a变小使得w变小，因此间隔2/||w||变大

C越大，分类器就竭尽全力地修正，争取少犯错误，拟合数据，容易过拟合。

C越小，分类器不在乎错误。性能就会较差，欠拟合。