svm算法

前言 感谢ShawnNg的投稿。 原文开始 我成功拿到了心仪的offer（自然语言算法工程师），也感觉各位大佬分享的面经，所以想回馈一波。在这期间我找到很多面经资料，自己用代码过滤整理了出来。我个人觉得这个资料是十分有用的，我希望也能帮助到各位。祝大家也能够早日找到心仪的工作！ [图片上传中…(image-4c2d62-1510246116379-17)] 目录 HR常问问题 开放题 机器学习 编程题 HR常问问题 为什么不读博、对读博报以什么态度。 HR常问问题 为什么选择百度，谷歌百度都给你offer你选哪个。 为什么选择跨专业学计算机？ 为什么选择阿里 以后可能要学习很多新技术，你怎么看。 你平时喜欢做什么？看过哪些书？最近在看什么书？ 你觉得最有挑战的项目是什么。 你觉得最难忘的事情是什么？ 你认为你的优（缺）点是什么。 你还有什么想问的？ 加班怎么看。 印象最深刻的事？ 压力最大的情况是什么时候。 在面试过程中觉得自己那些当面有进步 场景分析题，有一个任务给你，要求一个月完成，但是以目前的能力一个月完成不了，现在你知道有一个同事擅长这部分工作，但是他有自己的活，帮助你就可能耽误他的进度，问你咋办。 大学令你觉得最不爽的事情是什么 如何学习的？ 如何看待加班。 实习期间项目，在组内担任的角色，是否熟悉其他组员的工作。 家庭教育观念？ 家里什么情况？独生子女？ 将来的职业规划

一、概念 1、分离超平面：空间内能够将数据分为不同类别的平面 2、线性可分：不同类别数据能够被一个超平面完全分开 3、损失项：模型在数据上违反自身分类原则的程度（是一个求和项） 4、损失系数：损失项的系数（是一个超参数，由模型给定） 5、损失函数L = min (1/2*(||w||)2) + C*max(Σi max(0,1-y(i)*(w.x(i) +c)) 6、预测损失：损失函数的第二项（称作 hinge loss） 7、惩罚项：损失函数的第一项 （在svm中，惩罚项的初衷是最大化margin(两个分类之间的距离)） 8、hard margin : C比较大，此时margin较小，模型更注重靠近超平面的异常点 9、soft margin :C比较小，此时margin较大，模型更注重靠近类别中心的点 10、核函数：机器学习重要的数据处理技巧，通过核函数将原空间中的非线性数据映射为高维（或者无限维）空间中近似线性关系的数据，机器学习模型搭载核函数的方法大体一致。 常用的核函数: 1、线性核函数（linear kernel） 2、多项式核函数（ploynomial kernel） 3、S型核函数（sigmoid kernel) 4、拉普拉斯核函数（laplacian kernel） 5、高斯核函数（RBF kernel） 常用的核函数选择方法： 1、网格搜寻 （grid