机器学习面试001—支持向量机SVM

1. 关于min和max交换位置满足的 d* <= p* 的条件并不是KKT条件

Ans:这里并非是KKT条件,要让等号成立需要满足strong duality(强对偶),之后有学者在强对偶下提出了KKT条件。KKT条件成立需要满足constraint qualifications,而constraint qualifications之一就是Slater条件——即:凸优化问题,如果存在一个点x,使得所有等式约束都成立(即取严格不等号,不包括等号),则满足Slater条件。SVM中此处,满足Slater条件,等号可以成立

2. 核函数是从高维空间构造超平面,是否会带来高维计算代价的问题?

Ans:并不会。在线性不可分的情况下,SVM首先在低维空间中完成计算,然后通过核函数将输入空间映射到高维特征空间,最终在高纬度空间中构造出最优分离超平面。

3. 高斯核函数在方差参数δ上选取有什么影响?

Ans:如果δ选的很大,高次特征上的权重会衰减的非常快,此时相当于一个低维度的子空间;如果δ选的很小,则可以将任意的数据映射为线性可烦,但可能带来非常严重的过拟合问题。

4. 核函数的本质是什么?

Ans:①解决线性不可分问题 ②在低维上先进行计算,将实质的分类效果在高维上呈现,巧妙地避免了高维计算复杂性的问题。

5. 在目标函数中,拉格朗日的参数α的取值有什么特点?

image
image

Ans:对于远离平面的点为0;在边缘线的值在 [0, 1/N]之间;对于outlier数据的值为1/N

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

相关阅读更多精彩内容

  • 【概述】 SVM训练分类器的方法是寻找到超平面,使正负样本在超平面的两侧(分类正确性即“分得开”),且样本到超平面...
    sealaes阅读 13,844评论 0 7
  • 二、核函数 上一节我们说到,在引入对偶问题与KKT条件以后,此时的w为 于是此时的模型从wx+b转换成了另一个形式...
    小碧小琳阅读 4,280评论 0 1
  • 本文主要是学习支持向量机的算法原理,并且用Python来实现相关算法。内容包括:SVM概述、线性可分支持向量机、线...
    keepStriving阅读 16,921评论 6 57
  • 本章涉及到的知识点清单:1、决策面方程2、函数间隔和几何间隔3、不等式约束条件4、SVM最优化模型的数学描述(凸二...
    PrivateEye_zzy阅读 14,566评论 3 10
  • 坐在桌前,向左望出去,正好从阳台上望到那边的山。山在西边,山在那里。 隔壁寝室开玩笑的和我们说,我们住的是山景房。...
    月亮咩咩阅读 3,012评论 0 0

友情链接更多精彩内容