SVM分类器模型中软间隔(soft margin)的主要用途是()
A: 解决线性不可分问题
B: 允许少量错分类样本,解决不完全线性可分问题
C: 降低算法时间复杂度
D: 提高算法分类精确度
A: 解决线性不可分问题
B: 允许少量错分类样本,解决不完全线性可分问题
C: 降低算法时间复杂度
D: 提高算法分类精确度
举一反三
- 感知器算法能求解( )的分类问题，其求解结果是( )。 A: 线性可分 多值 B: 线性可分 单值 C: 线性不可分 单值 D: 线性不可分 多值
- 关于软间隔SVM，以下描述正确的有： A: 能解决由于少量的噪声或异常点引起的线性不可分问题 B: 不强迫所有的训练样本都被正确分类，允许一些样本被错误分类 C: 比硬间隔最大化的SVM适用范围更广 D: 能解决真正的非线性分类问题
- 以下对SVM算法的描述中正确的是() A: SVM的可解释性较差，无法给出决策树那样的规则 B: SVM算法既可以解决线性问题，又可以解决非线性问题 C: SVM算法既可以处理小样本问题，又可以处理大规模训练样本 D: 任意核函数都可以将低维线性不可分数据映射到高维线性可分的情况，且效果没有任何区别
- 【单选题】感知器算法能求解( ),其求解结果是( ) A: 线性可分问题;不唯一 B: 线性不可分问题;唯一 C: 线性可分问题;唯一 D: 线性不可分问题;不唯一
- SVM 原理描述不正确的是( )。 A: 当训练样本线性可分时,通过硬间隔最大化,学习一个线性分类器,即线性可分支持向量机 B: 当训练数据近似线性可分时,引入松弛变量,通过软间隔最大化,学习一个线性分类器,即线性支持向量机 C: 当训练数据线性不可分时,通过使用核技巧及软间隔最大化,学习非线性支持向量机 D: SVM 的基本模型是在特征空间中寻找间隔最小化的分离超平面的线性分类器