中国大学MOOC:利用SVM将低维空间中的非线性问题映射到高维空间，存在哪些问题？
举一反三
- 利用SVM将低维空间中的非线性问题映射到高维空间，存在哪些问题？ A: 不确定需要映射到多少维的空间上，非线性问题才会转化为线性问题 B: 如何找到合适的映射函数φ C: 增加计算量，可能会因为维数灾难无法解决 D: 能够确定映射到的高维空间的维度 E: 能够找到合适的映射函数φ F: 增加计算量时可以避免出现维数灾难
- SVM中核函数将高维空间中的数据映射到低维空间。
- 在使用非线性SVM分类算法前，需要提前确定 A: 核函数和惩罚参数 B: 非线性映射 C: 将输入数据映射到多少维的高维空间中 D: 数据映射到高维空间中后是否是线性可分的
- 应用SVM算法时，每个核函数都可以将低维空间中的线性不可分数据映射为高维空间的线性可分数据，因此选择哪个核函数都可以。
- 中国大学MOOC: 在模式识别中，广义线性化是指从低维特征空间映射到高维特征空间，从而将一个非线性不可分问题映射为一个线性可分问题。