什么是线性分类器？

线性分类器试图通过训练集中的样本得出一个分类超平面，目标是最大程度地区分训练集中不同类别的样本，最终把这个分类超平面应用于新样本的分类。

SVM相比一般的线性分类器有什么不同？

SVM以最大化不同类别之间的间隔为优化目标。

SVM和逻辑回归有什么区别？

• 逻辑回归通过sigmoid函数缩小了远离分类超平面那些点的信息，而SVM直接忽略了那些点的信息。
• 逻辑回归输出样本归属于某一类别的概率，而SVM无法直接输出这一概率。

最大化间隔会带来什么好处？

间隔与分类问题的结构风险有关，最大化间隔等于最小化结构风险，从而得到一个更好的分类器。

什么是结构风险？

结构风险是经验风险和置信风险的和。

通常人们在构建一个分类器的时候，首先会关注这个分类器在当前的训练集上的分类误差，误差越小，经验风险也就越小，说明模型越好地拟合了经验。但是仅仅追求分类器在训练集上的性能最优，就会带来过拟合的问题，造成分类器在训练集上天下无双，遇到真实问题却一塌糊涂的现象。于是人们又提出了第二个指标，用来衡量一个分类器的泛化能力，称之为置信风险，大白话就是我能多大程度上信任这个模型，去帮我解决新样本的问题。然而置信风险是很难精确衡量的，目前只能给出一个区间，而模型越简单，置信风险也就越小。

什么是支持向量？

最大化间隔在正样本和负样本的集合上各形成一个边界，位于这两个边界上的样本就是支持向量。后续新样本的分类就只依赖于这些支持向量的信息，从而降低了存储和计算的复杂性。

为什么要变换问题的形式？

为了凑成一个二次规划问题，从而能保证求出全局惟一的最优解。

为什么要转换成拉格朗日对偶问题？

转换为对偶问题能得到更高效的解法，也方便了核函数的引入。

SVM怎么解决线性不可分的问题？

特征空间向更高维的投射可以使原来特征空间里的曲线转化成直线，也就是我们可以获得一个在更高维空间的线性可分问题，同样的也在这个更高维的空间里判断新的样本。

核函数有什么作用？

特征空间升维之后，维数是非线性膨胀的（2维变5维，3维变19维……），很容易造成维灾难。核函数想办法让你在原属性的空间里计算高维空间的决策边界。

标注差错的情况怎么处理？

通过软边缘（Soft Margin）。为所有不满足条件的约束条件引入一个松弛变量，同时在目标函数添加一个惩罚项。惩罚项的乘数因子C在训练中利用试错法确定。

怎样进行多分类？

两种办法：一是「一对其余」，即把每个类别和其余所有类别分别作为正负样本输入；二是「一对一」，两两类别比较后看落入哪一类别，再拿这个类别与第三个类别比较。

原文：http://guoze.me/

谢谢关注websites！