在使用非线性SVM分类算法前，需要提前确定
A: 核函数和惩罚参数
B: 非线性映射
C: 将输入数据映射到多少维的高维空间中
D: 数据映射到高维空间中后是否是线性可分的
A: 核函数和惩罚参数
B: 非线性映射
C: 将输入数据映射到多少维的高维空间中
D: 数据映射到高维空间中后是否是线性可分的
A
举一反三
- 应用SVM算法时，每个核函数都可以将低维空间中的线性不可分数据映射为高维空间的线性可分数据，因此选择哪个核函数都可以。
- 对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个高维特征空间中的线性分类问题，然后在高维特征空间中学习 线性SVM。
- 对于输入空间中的非线性分类问题，可以通过非线性变换将它转化为某个高维特征空间中的线性分类问题，然后在高维特征空间中学习 线性SVM。 A: 正确 B: 错误
- 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
- 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。
内容
- 0
SVM中核函数将高维空间中的数据映射到低维空间。
- 1
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
- 2
支持向量机利用内积核函数代替高维空间的非线性映射
- 3
利用SVM将低维空间中的非线性问题映射到高维空间，存在哪些问题？ A: 不确定需要映射到多少维的空间上，非线性问题才会转化为线性问题 B: 如何找到合适的映射函数φ C: 增加计算量，可能会因为维数灾难无法解决 D: 能够确定映射到的高维空间的维度 E: 能够找到合适的映射函数φ F: 增加计算量时可以避免出现维数灾难
- 4
核函数是将低维数据映射到高维空间。（ ）