在支持向量机中，分类超平面的一般形式是W^T*X + b = 0
举一反三
- 在SVM(支持向量机)分类模型中支持向量是指() A: 训练样本点到最优分类超平面的距离 B: 最优分类超平面的参数向量 C: 到最优分类超平面距离最近的训练样本点对应的特征向量 D: 拉格朗日因子α构成的向量
- 超平面方程WX+b=0,其中W是行向量，X是列向量，向量W的转置是该超平面的向量（） A: 法 B: 平行 C: 中间 D: 无法判断
- 在支持向量机理论中，寻找出两类样本之间分类间隔最大的最优超平面，该超平面作为决策依据，用于区分样本的类别。
- 如果超平面方程WX+b=0,是分类超平面（分类器），其中W是行向量，X是列向量表示样本，在SVM算法中，2/（） A: 以X为参数优化2/|W|，使得2/|W|有最小值 B: 以X为参数优化2/|W|，使得2/|W|有最大值 C: 以W为参数优化2/|W|，使得2/|W|有最小值 D: 以W为参数优化2/|W|，使得2/|W|有最大值
- 在支持向量机理论中，需要寻找两类分类间隔最大的最优超平面，距离这个最优超平面（ ）被称为支持向量(Support Vector)。 A: 最近的样本 B: 最远的样本 C: 等距离的样本 D: 选项都包括