Skip to content

Tag: support-vector-machines-kernels

【AI 核心深度 M2-036】解释 SVM 的间隔最大化思想与支持向量的作用。（Explain the Maximum Margin Principle in Support Vector Machines and the Role of Support Vectors）深度数理推导与工程落地解析

2026-10-01

寻找最大间隔超平面；只有位于间隔边界上的支持向量决定解。
【AI 核心深度 M2-037】写出软间隔 SVM 的目标，并解释 C 的作用。（Formulate Soft-Margin SVM, Slack Variables, and the Regularization Role of Parameter C）深度数理推导与工程落地解析

2026-10-01

引入松弛变量允许违反间隔；C 控制对违反的惩罚强度。
【AI 核心深度 M2-038】解释核技巧，为什么它能在不显式计算高维映射的情况下工作。（Explain the Kernel Trick, Mercer’s Condition, and Implicit High-Dimensional Inner Products）深度数理推导与工程落地解析

2026-10-01

对偶形式只依赖样本内积，用核函数直接算高维内积，避免显式映射。
【AI 核心深度 M2-039】比较 RBF 核、多项式核与线性核的适用场景。（Compare Linear, Polynomial, and RBF Kernels and Their Decision Boundaries）深度数理推导与工程落地解析

2026-10-01

线性核高维稀疏快；RBF 适合中小规模非线性；多项式核可建模特征交互但参数敏感。
【AI 核心深度 M2-040】SVM 对类别不平衡与噪声标签敏感吗？如何缓解。（Assess the Sensitivity of SVM to Class Imbalance and Label Noise and Industrial Mitigations）深度数理推导与工程落地解析

2026-10-01

敏感：少数类支持向量少、噪声点被当作支持向量。缓解：类权重、软间隔、清理噪声。