登陆题目详情
单选题 SVM(支持向量机)是一种基于()的分类算法
学科：机器学习
时间：2024-05-14 15:43:20
相关题目
相关作业
题目1单选题
SVM(支持向量机)是一种( )算法A. 回归B. 分类C. 聚类D. 强化学习
题目2单选题
SVM(支持向量机)是一种基于()的分类算法A. 贝叶斯定理B. 逻辑回归C. 线性判别分析D. 决策树
题目3单选题
SVM(支持向量机)的目标是找到一个最优的( )A. 分类边界B. 分类器C. 损失函数D. 正则化项
题目4单选题
SVM(支持向量机)中的核函数的作用是( )A. 将低维空间映射到高维空间B. 将高维空间映射到低维空间C. 计算样本点与分类边界之间的距离D. 优化模型的超参数
题目5单选题
SVM是什么类型的机器学习算法A. 无监督学习算法B. 监督学习算法C. 半监督学习算法D. 强化学习算法
题目6单选题
SVM是一种什么类型的分类器A. 线性分类器B. 非线性分类器C. 可以是线性或非线性分类器D. 随机分类器
题目7单选题
SVM中的支持向量是什么A. 用于计算超平面的向量B. 训练数据中距离分类边界最近的点C. 训练数据中所有点的向量D. 用于对测试数据进行分类的向量
题目8单选题
SVM的训练过程需要计算各个样本点到超平面的距离,并选取距离最近的样本点作为支持向量.这个过程中使用的距离度量方式通常是A. 曼哈顿距离B. 欧几里得距离C. 余弦相似度D. 皮尔逊相关系数
题目9单选题
高斯核函数在SVM中的形式是什么A. K(x,y)=xyB. K(x,y)=(xy+c)^dC. K(x,y)=exp(-||x-y||^2/(2sigma^2))D. K(x,y)=1/(1+exp(-xy))
题目10单选题
在支持向量机(SVM)中,超平面到最近的数据点的距离最大化是为了A. 提高分类速度B. 减少计算复杂度C. 提高分类器的泛化能力D. 减小模型的复杂度
下载 题海APP
拍照搜题更快捷
- 海量题库
- 无搜索限制
- 快捷拍照搜题
