支持向量机SVM无法处理线性不可分的数据集。（ ）
举一反三
- 支持向量机模型包括 A: 线性可分支持向量机 B: 线性支持向量机 C: 非线性可分支持向量机 D: 非线性支持向量机
- 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
- SVM 原理描述不正确的是( )。 A: 当训练样本线性可分时,通过硬间隔最大化,学习一个线性分类器,即线性可分支持向量机 B: 当训练数据近似线性可分时,引入松弛变量,通过软间隔最大化,学习一个线性分类器,即线性支持向量机 C: 当训练数据线性不可分时,通过使用核技巧及软间隔最大化,学习非线性支持向量机 D: SVM 的基本模型是在特征空间中寻找间隔最小化的分离超平面的线性分类器
- 关于支持向量机，说法正确的是： A: 去除支持向量以外的数据点，会影响原先的决策边界 B: SVM也可以处理难以进行线性分类的数据集 C: 采用硬边界可能会造成过拟合问题 D: SVM可以处理多分类问题
- 在支持向量机中，样本线性不可分时可以投影到高维空间，转换成线性可分情况。