SVM 支持向量机的基本原理
哪些公司问过
答案要点
- 寻找最大间隔分隔超平面,间隔越大泛化越好
- 支持向量是离边界最近、决定超平面的样本
- 软间隔引入松弛,C控制对误分类的惩罚强度
- 核技巧隐式映射到高维,常用线性、多项式、RBF核
- 适合小样本高维问题,大规模数据训练成本较高
易错点
- 以为所有训练样本都决定超平面,实际只有支持向量起作用
- 把C说成正则化强度,C越大其实正则越弱
- 使用RBF核前不做特征标准化,导致效果变差
面试官常见追问
- 为什么要转成对偶问题?
- SVM和逻辑回归怎么选?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。