机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

160

｜

第

5

章

在线 SVM 也可以实现核技巧，可参考“ Incremental and Decremental SVM Learning”

注 8

，

以及“ Fast Kernel Classifiers with Online and Active Learning”

注 9

。但是这些核 SVM 是

在 Matlab 和 C++ 上实现的。对于大规模非线性问题，你可能需要使用神经网络（见本

书第二部分）。

12

5.5 练习题

1.　支持向量机的基本思想是什么？

2.　什么是支持向量？

3.　使用 SVM 时，对输入值进行缩放为什么重要？

4.　SVM 分类器在对实例进行分类时，会输出信心分数吗？概率呢？

5.　如果训练集有成百万个实例和几百个特征，你应该使用 SVM 原始问题还是对偶问

题来训练模型？

6.　假设你用 RBF 核训练了一个 SVM 分类器，看起来似乎对训练集欠拟合，你应该提

升还是降低

γ

（gamma）？ C 呢？

7.　如果使用现成二次规划求解器，你应该如何设置 QP 参数（

H

、

f

、

A

和

b

）来解决软

间隔线性 SVM 分类器问题？

8.　在一个线性可分离数据集上训练 LinearSVC。然后在同一数据集上训练 SVC 和

SGDClassifier。看看你是否可以用它们产生大致相同的模型。

注 8 ：Gert Cauwenberghs 和 Tomaso Poggio, “ Incremental and Decremental Support Vector Machine Learning ...