练习

  1. 支持向量机背后的基本思想是什么

  2. 什么是支持向量

  3. 当使用 SVM 时，为什么标准化输入很重要？

  4. 分类一个样本时，SVM 分类器能够输出一个置信值吗？概率呢？

  5. 在一个有数百万训练样本和数百特征的训练集上，你是否应该使用 SVM 原始形式或对偶形式来训练一个模型？

  6. 假设你用 RBF 核来训练一个 SVM 分类器，如果对训练集欠拟合：你应该增大或者减小γ吗？调整参数C呢？

  7. 使用现有的 QP 解决方案，你应该怎么样设置 QP 参数（H，f，A，和b）去解决一个软间隔线性 SVM 分类器问题？

  8. 在一个线性可分的数据集训练一个LinearSVC，并在同一个数据集上训练一个SVC和SGDClassifier，看它们是否产生了大致相同效果的模型。

  9. 在 MNIST 数据集上训练一个 SVM 分类器。因为 SVM 分类器是二元的分类，你需要使用一对多（one-versus-all）来对 10 个数字进行分类。你可能需要使用小的验证集来调整超参数，以加快进程。最后你能达到多少准确度？

  10. 在加利福尼亚住宅（California housing）数据集上训练一个 SVM 回归模型

这些练习的答案在附录 A。