第六章单元测试
- 线性可分支持向量机是一种（）模型
- 支持向量机的学习策略是（）
- 支持向量机的求解通常采用（）来求解
- 当训练样本线性不可分时可采用（）来缓解和解决
为了更好地解决线性不可分问题，我们常常需要扩大可选函数的范围。
- 支持向量机的经验风险描述了模型的某些性质
- 在空间上线性可分的两类点，分别向SVM分类的超平面上做投影，这些点在超平面上的投影仍然是线性可分的
- 引入软间隔是为了允许支持向量机在一些样本上出错。
- 核函数的引入是将原始空间中不可分的训练样本映射到高维的特征空间后变得可分。
- 训练样本集越大，SVM的分类结果越好
A:多分类 B:逻辑回归 C:线性回归 D:二分类
答案:二分类
A:测试误差最小 B:训练误差最小 C:间隔最小 D:间隔最大
A:线性规划算法 B:二次规划算法 C:最大间隔法 D:最小误差法
A:测试误差最小 B:软间隔 C:核函数 D:训练误差最小
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:对 B:错
A:错 B:对
温馨提示支付 ￥3.00 元后可查看付费内容,请先翻页预览!
