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
举一反三
- 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
- 下面有关支持向量机错误的说法是？（ ） A: 支持向量机一般处理两分类的问题。 B: 支持向量机既可以处理线性可分的问题，也可以处理非线性可分的问题。 C: 支持向量机是把高维的数据投影到低维的空间进行分类。 D: 对于小样本集，支持向量机的分类准确度可能优于其他对样本数量要求比较高的分类算法。
- 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