方法是通过一个非线性映射P，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。
A: 支持向量机
B: 机器学习
C: 遗传算法
D: 关联分析
A: 支持向量机
B: 机器学习
C: 遗传算法
D: 关联分析
A
举一反三
- 对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个高维特征空间中的线性分类问题，然后在高维特征空间中学习 线性SVM。
- 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。 A: 正确 B: 错误
- 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。
- 对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个高维特征空间中的线性分类问题，然后在高维特征空间中学习 线性SVM。 A: 正确 B: 错误
- 当样本在原始空间线性不可分时,可将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分。
内容
- 0
对于低维线性不可分的问题，支持向量机通过核方法映射值高维特征空间之后，实现其分类
- 1
【判断题】在模式识别中,广义线性化是指将特征空间从高维映射到低维,从而将非线性不可分问题变成线性可分问题。
- 2
下面有关支持向量机错误的说法是？（ ） A: 支持向量机一般处理两分类的问题。 B: 支持向量机既可以处理线性可分的问题，也可以处理非线性可分的问题。 C: 支持向量机是把高维的数据投影到低维的空间进行分类。 D: 对于小样本集，支持向量机的分类准确度可能优于其他对样本数量要求比较高的分类算法。
- 3
核函数内在隐含了一个从低维输入空间到高维特征空间的一个非线性映射，且这个映射是唯一存在的。
- 4
核函数内在隐含了一个从低维输入空间到高维特征空间的一个非线性映射，且这个映射是唯一存在的。 A: 正确 B: 错误