线性SVM和一般线性分类器的区别主要是：
是否确保间隔最大化
举一反三
内容
- 0
上升器的分类一般不包括（ ）。 </p></p>
- 1
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
- 2
在SVM当中，主要的运算形式是：</p></p>
- 3
在使用分段线性分类器时，若已知类别数目，但不知子类数目，可采用的方法是： A: 多类线性分类器 B: 错误修正法 C: 树状分段线性分类器 D: 两类线性分类器
- 4
SVM分类器模型中软间隔(soft margin)的主要用途是() A: 解决线性不可分问题 B: 允许少量错分类样本,解决不完全线性可分问题 C: 降低算法时间复杂度 D: 提高算法分类精确度