SVM
一、原理
就是在样本空间中找到一个最佳的超平面使得正负样本间隔最大。SVM是二分类问题，引入核函数后就可以解决非线性问题。
二、为什么采用间隔最大化
因为可能存在多个超平面能够将正负样本分开，利用间隔最大化得到的超平面是唯一的，泛化能力最强。
三、为什么要转化为对偶问题？
1、通过约束条件进行求解，问题会很复杂，而且对偶问题往往更容易求解；
2、转化为对偶问题后，可以使用核函数处理非线性问题；
四、为什么引入核函数？
原始空间线性不可分的时候，通过核函数，将原始的样本映射到高维的特征空间，使得样本在这个高维的空间里面线性可分。还能够处理非线性问题。
核函数：回忆最后转化成的基本问题，就是内积xTx。这样在低维空间就能计算出高维空间点积的结果，不需要再展开到高位空间里计算了。
好处是一方面变成了高维空间，另一方面，还不用求具体的映射函数，只要给定的核函数即可。
五、为什么缺失数据很敏感？
SVM最后是要转换成线性可分的空间，所以数据缺失的样本，不能做到分类。
六、核函数之间的差别？
特征数量多、样本足够、线性可分使用线性核，没有必要映射到高维空间去；
特征数量少、样本也是、线性不可分的时候使用高斯核，映射到高维空间中进行求解；
七、怎么多分类？
1、直接修改目标函数，计算量很大；
2、每一类训练一个分类器，或者每两类训练一个分类器。
八、SVM适合什么样的数据？
样本少、高维稀疏、线性不可分。
九、SVM和LR不同点
1、损失函数不同；
2、SVM是结构风险最小（自带正则项），LR是经验风险最小化；
5、SVM不能产生概率，LR可以产生概率；
6、SVM会用核函数，LR不用核函数；
7、应用方面：小规模数量级SVM效果小于LR，大数据中LR好于SVM；
