86、支持向量机（SVM）方法通过最大化支持向量到分隔超平面的距离来训练分类器。

A.当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机

B.当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机

C.当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机

D.SVM 的基本模型是在特征空间中寻找间隔最小化的分离超平面的线性分类器

A.最大向量分类器

B.最小向量分类器

C.支持向量机

D.支持向量回归机

A.Naïve Bayes（朴素贝叶斯）是一种概率分类器

B.SVM（支持向量机）在向量空间构造超平面，以区分不同类别的样本

C.决策树基于树结构进行决策，从树根到一个叶子的路径对应一个分类规则

D.SVM（支持向量机）和K-NN（K-近邻）都有模型的训练过程（构造分类模型）

A.Naïve Bayes（朴素贝叶斯）是一种概率分类器

B.SVM（支持向量机）在向量空间构造超平面，以区分不同类别的样本

C.决策树基于树结构进行决策，从树根到一个叶子的路径对应一个分类规则

D.SVM（支持向量机）和K-NN（K-近邻）都有模型的训练过程（构造分类模型）

A.SVM适用于大规模数据集

B.SVM分类思想就是将分类面之间的间隔最小化

C.SVM方法简单，鲁棒性较好

D.SVM分类面取决于支持向量

A.支持向量机（SVM）

B.k 近邻法（KNN）

C.决策树（Decision Tree）

D.感知机（Perceptron）

A.目标函数

B.约束条件

C.以平均值为目标

D.近邻样本数目最多