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
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
举一反三
- 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。
- 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
- 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
- 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。
- 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。