本来是只想写一篇出来的，结果，，，内容也太多了，，，分开分开，先写SVM。
目录：
机器学习常见面试问题汇总
问题汇总（1）：逻辑回归
问题汇总（2）：支持向量机
问题汇总（3）：树模型
问题汇总（4）：聚类
问题汇总（5）：神经网络
问题汇总（6）：EM算法
问题汇总（7）：朴素贝叶斯
参考的一些引用：
上面两篇文章基本可以解决SVM的推导，解释原问题和对偶问题，SVM原问题和对偶问题的关系，KKT限制条件，KKT条件用哪些，完整描述；软间隔问题，解释支持向量、核函数（哪个地方引入、画图解释高维映射，高斯核可以升到多少维，如何选择核函数），引入拉格朗日的优化方法的原因，最大的特点，损失函数解释，svm里面的c有啥用等。
简单介绍SVM：
从分类平面，到求两类间的最大间隔，到转化为求间隔分之一，等优化问题，然后就是优化问题的解决办法，首先是用拉格拉日乘子把约束优化转化为无约束优化，对各个变量求导令其为零，得到的式子带入拉格朗日式子从而转化为对偶问题， 最后再利用SMO（序列最小优化）来解决这个对偶问题。
SVM和LR的异同
相同点：
- LR和SVM都是监督学习方法，是分类算法。
- 如果不考虑使用核函数，LR和SVM都是线性分类模型，也就是说它们的分类决策面是线性的。
- LR和SVM都是判别模型。
典型的判别模型包括K近邻法、感知机、决策树、Logistic回归、最大熵、SVM、boosting、条件随机场等。
典型的生成模型包括朴素贝叶斯法、隐马尔可夫模型、高斯混合模型等。 - LR和SVM在学术界和工业界都广为人知并且应用广泛。（这句话，，，被我找到了一个万能句式？）
不同点：
-
loss function不一样。LR基于概率理论，通过极大似然估计方法估计出参数的值，然后计算分类概率，取概率较大的作为分类结果。SVM基于几何间隔最大化，把最大几何间隔面作为最优分类面。
Loss function of LR
Loss function of SVM - SVM只考虑分类面附近的局部的点，即支持向量，LR则考虑所有的点，与分类面距离较远的点对结果也起作用，虽然作用较小。所以LR对异常值敏感，SVM对异常值不敏感。
- 在解决非线性分类问题时，SVM采用核函数，而LR通常不采用核函数。在计算决策面时，SVM算法中只有支持向量参与了核计算，在LR算法里，如果采用核函数，则每一个样本点都会参与核计算，这会带来很高的计算复杂度。
- SVM没有伸缩不变性，LR具有伸缩不变性。（SVM毕竟是基于距离的模型，这玩意对缺失值也比较敏感。）SVM模型在各个维度进行不均匀伸缩后，最优解与原来不等价，所以SVM 需要数据标准化。LR模型在各个维度进行不均匀伸缩后，最优解与原来等价。但是，由于实际求解往往使用迭代算法，如果目标函数的形状太“扁”，迭代算法可能收敛得很慢甚至不收敛。所以对于具有伸缩不变性的模型，最好也进行数据标准化。
- SVM损失函数自带正则项，因此，SVM是结构风险最小化算法。而LR需要额外在损失函数上加正则项。所谓结构风险最小化，意思就是在训练误差和模型复杂度之间寻求平衡，防止过拟合，从而达到真实误差的最小化。未达到结构风险最小化的目的，最常用的方法就是添加正则项。
Kernel：核函数的定义和作用
当样本不在线性可分时，就用到了核函数。其实核函数就是把原来的x做了一波变换，从容易理解的角度上来说，就是将低维度的特征映射到了高维度（无穷维），即 映射到
，使样本再次变得可以通过一个超平面分开。
但其实，如果对每个样本都做这样的映射操作，将会很耗费时间，并且，我们并不知道这个具体是什么。幸运的是，如果大家对对偶问题熟悉的话，可以看到，其实并不需要求出
的具体值，而只需要求内积即可，也就是求
，就可以完成SVM的计算工作。那么，我们直接设一个核函数K=
，相当于我们还是不知道
，而是直接知道了
（因为我们的计算过程只需要知道内积即可）。这样子就可以解决线性不可分问题。
只要一个对称函数所对应的核矩阵半正定，那么就可以作为核函数使用，此时总能找到一个与之对应的映射空间。但是核函数选择是支持向量机最大变数，如果选择不合适，那么意味着样本映射到了一个不合适的特征空间，会导致性能不佳。常用的核函数有线性核、多项式核、高斯核（也称RBF、径向基）、拉普拉斯核、sigmoid核等。
SVM如何处理多分类任务？
对偶问题
为什么要把原问题转换为对偶问题？
因为原问题是凸二次规划问题，转换为对偶问题更加高效。
方便引入核函数思想，求解非线性SVM。-
为什么求解对偶问题更加高效？
因为只用求解alpha系数，而alpha系数只有支持向量才非0，其他全部为0。
并且对偶问题有了高效求解方法，SMO。 alpha系数有多少个？
个数为样本点的个数。
