方向：
分类：
细分：
难度：
0 得票
0 挑战
1667 浏览

在线性可分的情况下，支持向量是那些最接近决策平面的数据点

0 得票
0 挑战
2133 浏览

SVM在下列那种情况下表现糟糕

0 得票
0 挑战
2399 浏览

SVM中的代价函数的参数表示：

0 得票
0 挑战
1607 浏览

假定你使用SVM学习数据X，数据X里面有些点存在错误。现在如果你使用一个二次核函数，多项式阶数为2，使用惩罚参数C作为超参之一。当你使用较大的C（C趋于无穷）时，对于训练集数据：

0 得票
0 挑战
2574 浏览

如果我使用数据集的全部特征并且能够达到100%的准确率，但在测试集上仅能达到70%左右，这说明：

0 得票
0 挑战
2073 浏览

下面哪个属于SVM应用

0 得票
0 挑战
2642 浏览

假设你训练SVM后，得到一个线性决策边界，你认为该模型欠拟合。在下次迭代训练模型时，应该考虑：

0 得票
0 挑战
2507 浏览

SVM中使用高斯核函数之前通常会进行特征归一化，以下关于特征归一化描述不正确的是？

0 得票
0 挑战
1332 浏览

假设现在只有两个类，这种情况下SVM需要训练几次？

0 得票
0 挑战
2964 浏览

假设你训练了一个基于线性核的SVM，多项式阶数为2，在训练集和测试集上准确率都为100%。如果增加模型复杂度或核函数的多项式阶数，将会发生什么？

微信公众号
有课学公众号
  • 微信公众号: geekdaxue