# SVM：间隔、核函数与松弛变量

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 3 章 经典算法
- 页码线索：050
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P1
- 标签：svm, classic-ml

## 面试问题

SVM 的核心思想是什么？核函数和松弛变量解决什么问题？

## 30 秒回答

SVM 通过最大化分类间隔寻找鲁棒超平面。核函数把非线性问题映射到高维空间，松弛变量允许少量样本违反间隔，以换取泛化和噪声鲁棒性。

## 展开要点

- 最大间隔体现结构风险最小化思想。
- 核技巧避免显式计算高维映射。
- C 参数控制间隔宽度和训练错误的权衡。
- SVM 在中小规模、高维特征任务中有价值，但大规模训练成本较高。

## 高频追问

- 线性不可分怎么办？
- RBF 核为什么常用？
- C 和 gamma 如何影响模型？

## 项目映射

- 文本分类、风控特征、传统图像特征都可以作为 SVM 场景。
- 和逻辑回归比较：概率输出、可解释性、训练成本。

## AI PM 迁移

AI PM 面试里不必推导对偶问题，但要能说清模型选择和复杂度 trade-off。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。