最佳分离超平面上的点称为支持向量。()

A.最小边缘超平面

B.最大边缘超平面

C.横截面

D.支持向量

A.最大间隔

B.截距

C.法向量

D.支持向量

A.到分类超平面的距离最近的且满足一定条件的几个训练样本点是支持向量

B.训练集中的所有样本点都是支持向量

C.每一类样本集中都分别只有一个支持向量

D.支持向量的个数越多越好

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.SVM 的基本模型是在特征空间中寻找间隔最小化的分离超平面的线性分类器

A.贝叶斯算法

B.支持向量机算法

C.神经网络算法

D.决策树算法

A.SVM

B.LSVM

C.支持向量

D.NSVM

A.样本数据

B.模型参数

C.距超平面最近的样本点

D.距超平面最远的样本点

A.在正负类样本“正中间”的

B.靠近正类样本的

C.靠近负类样本的

D.以上说法都不对

A.线性回归

B.支持向量机

C.基于实例的学习

D.决策树