机器学习支持向量机试卷及分析.docxVIP

机器学习支持向量机试卷及分析

一、单项选择题（共10题，每题1分，共10分）

支持向量机（SVM）的基本思想是寻找一个（）来划分不同类别的样本。

A.概率密度函数

B.最大间隔超平面

C.最小误差函数

D.特征空间中的任意曲线

答案：B

解析：支持向量机的核心思想是结构风险最小化，具体表现为在特征空间中寻找一个能将不同类别样本分开，并且使得两类样本间隔（margin）最大的超平面，这个超平面即为最大间隔超平面。选项A是概率统计模型的核心，选项C是许多回归模型的目标，选项D描述过于宽泛且不精确。

对于线性不可分的数据，SVM通常通过引入（）来允许部分样本被错分，从而提高模型的泛化能力。

A.核函数

B.拉格朗日乘子

C.松弛变量

D.主成分分析

答案：C

解析：当数据线性不可分时，严格的硬间隔SVM无法找到一个完美的超平面。此时引入松弛变量，允许一些样本点落在间隔内甚至被错分，同时通过惩罚系数来控制这种“容忍度”，这称为软间隔SVM。选项A核函数用于解决非线性问题，选项B是求解优化问题的工具，选项D是降维方法。

下列哪个函数不是SVM中常用的核函数？

A.线性核函数

B.多项式核函数

C.Sigmoid核函数

D.余弦相似度核函数

答案：D

解析：SVM中常用的核函数包括线性核、多项式核、高斯径向基核（RBF）和Sigmoid核（本质上是双曲正切函数，但需