机器学习——SVM算法面试总结

前言

最近准备trans了，SVM作为一个ML er必备的，做下汇总，答案都在参考文章里。

范围：度，*gu*歌，.analytics vidhya，某公众账号，*乎上，sklearn。

1、基本概念：

• SVM的简介
• 松弛变量
• 软间隔
• support vector
• 核函数

2、原理

• 为什么采用最大间隔
• 为什么引入核函数
• SMO算法
• SVM的损失函数
• 怎样处理多分类

3、推导

• 手撸
• 对偶问题
• 为什么转为对偶问题
• kkt 条件

4、核函数

• 有哪些核函数？原理是什么？
• 区别和联系
• 有什么作用？解决什么问题？
• 优缺点

5、应用问题

• 二分类
• 多分类
• 回归
• 异常值检测
• 输出特征重要度
• sklearn SVM的使用
• libsvm 使用
• 如何防止过拟合
• SVM为什么要进行标准化
• SVM为什么对缺失值敏感
• SVM数据量的要求
• SVM算法时间复杂度
• SVM算法的优缺点
• 数据倾斜

6、算法间比较

• SVM与LR的比较
• SVM与感知机

参考文章链接：

机器学习岗位面试问题汇总 之 SVM
机器学习总结（三）：SVM支持向量机（面试必考）
数据挖掘（机器学习）面试--SVM面试常考问题
sklearn-svm
25 Questions to test a Data Scientist on Support Vector Machines

深度学习机器学习面试问题准备（必会）