【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。
错
举一反三
- 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。
- 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
- 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
- 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。
- 【单选题】感知器算法能求解( ),其求解结果是( ) A: 线性可分问题;不唯一 B: 线性不可分问题;唯一 C: 线性可分问题;唯一 D: 线性不可分问题;不唯一
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
感知器算法能求解( )的分类问题，其求解结果是( )。 A: 线性可分 多值 B: 线性可分 单值 C: 线性不可分 单值 D: 线性不可分 多值
- 2
以下对SVM算法的描述中正确的是() A: SVM的可解释性较差，无法给出决策树那样的规则 B: SVM算法既可以解决线性问题，又可以解决非线性问题 C: SVM算法既可以处理小样本问题，又可以处理大规模训练样本 D: 任意核函数都可以将低维线性不可分数据映射到高维线性可分的情况，且效果没有任何区别
- 3
以下哪些与支持向量机无关 A: 使用核函数 B: 将低维向量向高维向量转换 C: 使低维线性不可分的数据在高维线性可分 D: 使用的向量都叫做支持向量
- 4
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。