利用核技巧，可以将线性分类的学习方法应用到非线性分类问题中去。将线性支持向量机扩展到非线性支持向量机，只需将线性支持向量机对偶形式中的内积换成核函数。
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
- 关于线性和非线性支持向量机的描述，以下哪种说法不对 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: 线性可分支持向量机利用间隔最大化求得最优分离超平面，这时的解不是唯一的
- SVM通过使用核函数可以学习非线性支持向量机，等价于隐式地在______ 的特征空间中学习线性支持向量机。
- 扩展库sklearn.svm中提供了线性支持向量机分类器LinearSVC、线性支持向量机回归器LinearSVR，基于libsvm的支持向量机分类器SVC、支持向量机回归器SVR，无监督异常值检测OneClassSVM，以及NuSVC和NuSVR。
- 支持向量机属于广义线性分类器，只能进行进行线性分类。（ ）