如果找到分类最佳的平面，使得属于两个不同类的数据点距离超平面的间隔（ ），则该面亦称为最大间隔超平面，最大间隔分类器。
A: 最小
B: 最大
C: 相等
D: 为零
A: 最小
B: 最大
C: 相等
D: 为零
举一反三
- 关于支持向量机描述正确的是 ( ) A: 概念提出比神经网络还要早 B: 若数据可以通过线性分类器来分类,希望找到分类最佳的平面,即使得属于两个不同类的数据点间隔最大的那个面,该面亦称为最大间隔超平面 C: 核函数不能用来解决低维空间难分的问题 D: 所谓支持向量是指那些在间隔区边缘之外的训练样本点
- 若参数C（cost parameter）被设为无穷，下面哪种说法是正确的？ A: 软间隔SVM分类器将正确分类数据 B: 只要最佳分类超平面存在，它就能将所有数据全部正确分类 C: 在如此高的误分类惩罚下，存在软间隔分类超平面
- 在支持向量机理论中，寻找出两类样本之间分类间隔最大的最优超平面，该超平面作为决策依据，用于区分样本的类别。
- 对于线性可分的训练数据而言，线性可分分离超平面有无穷多个，几何间隔最大的分离超平面也有无穷多个。
- 在支持向量机理论中，需要寻找两类分类间隔最大的最优超平面，距离这个最优超平面（ ）被称为支持向量(Support Vector)。 A: 最近的样本 B: 最远的样本 C: 等距离的样本 D: 选项都包括