支持向量机面试题25 题
- 01 大规模数据为什么较少直接用核 SVM？
- 02 什么是支持向量？为什么说 SVM 只由支持向量决定？
- 03 支持向量机（SVM）的基本原理是什么？什么是最大间隔？
- 04 RBF 核中的 gamma 参数如何影响模型？
- 05 SVM 常见的核函数有哪些？RBF 核怎么选？参数 γ 起什么作用？
- 06 SVM 的决策函数和间隔怎么理解？
- 07 SVM 的硬间隔和软间隔有什么区别？参数 C 起什么作用？
- 08 SVM 和逻辑回归有什么区别？各自适合什么场景？
- 09 SVM 能直接输出概率吗？
- 10 SVM 是二分类模型，怎么做多分类？
- 11 SVM 有哪些优缺点？为什么大规模数据上很少用 SVM？
- 12 SVM 中 C 参数有什么作用？
- 13 什么是核技巧（Kernel Trick）？SVM 为什么能处理线性不可分？
- 14 SVM 的损失函数（合页损失 Hinge Loss）是什么？
- 15 SVM 为什么要转化成对偶问题求解？
- 16 类别不平衡时 SVM 怎么处理？
- 17 Nu-SVM 和普通 C-SVM 有什么区别？
- 18 One-Class SVM 如何用于异常检测？
- 19 SVM 为什么对特征缩放敏感？
- 20 SVR 支持向量回归的基本思想是什么？
- 21 核 SVM 中 kernel cache 有什么作用？
- 22 为什么线性 SVM 常用于文本分类？
- 23 异常点会如何影响 SVM 的间隔？
- 24 Platt Scaling 如何把 SVM 输出转成概率？
- 25 SVM 的 C 和 gamma 如何联合搜索？
没有符合条件的题目。