1. SVM的原理是什麼

svm是一種二分類模型，是一種在特徵空間中尋找間隔最大化的分離超平面的線性分類器。

• 線性可分樣本：可以通過硬間隔最大化學習線性分類器實現。
• 近似線性可分：通過引入鬆弛變數，通過軟間隔最大化，學習線性分類器；
• 非線性樣本：通過核技巧與軟間隔最大化學習非線性支援向量機；

2. SVM為什麼採用間隔最大化

利用間隔最大化求得的最優分離超平面是唯一的。分離超平面產生的分類結果是最魯棒的，泛化能力最強。(採用其他策略可能得到的分類面有無數個，無法判斷哪一個最優)

3. 函式間隔、幾何間隔、點到超平面的距離

函式間隔：樣本點到超平面的函式間隔為y*(w*x + b)，可以用來表示分類預測的正確性及確信度。

幾何間隔：為了防止函式間隔隨超引數的等比例變化，對法向量w進行約束，即函式間隔除以w的L2範數，為y*(w*x + b)/||w||2。

點到超平面的距離為：(w*x + b) / ||w||2

4. SVM為什麼要引入核函式？有哪些核函式？

當樣本在原始空間線性不可分時，可將樣本從原始空間對映到一個更高維的特徵空間，使得樣本在這個特徵空間內線性可分。核函式可以實現這種對映。

**常見的核函式：**RBF徑向基函式核（高斯核函式是RBF的特例），多項式核函式，線性核函式，sigmod核函式。

5. 為什麼要將求解SVM的原始問題轉換為其對偶問題

對偶問題往往更容易求解。同時更方便的講約束條件與目標函式融合起來方便優化。

6. SVM的優缺點

優點：

• 適合於線性分類或者非線性分類；
• 低的泛化誤差；

缺點：

• 對引數和核函式的選擇比較敏感；
• 對大規模訓練樣本難以實施；