简单的说，SVM（支持向量机)是一种算法，它以以下方法做工，它是一种非线性映射，把原训练数据映射到较高的维上，在新的维上，它搜索最佳分离超平面。（)

A.贝叶斯算法

B.支持向量机算法

C.神经网络算法

D.决策树算法

A.支持向量是距离超平面最近的点组成的向量

B.SVM算法不能用于处理非线性数据集

C.SVM可以被用于解决分类问题

D.SVM算法可以使用多种核函数

A.支持向量是距离超乎面最近的点组成的向量

B.SVM算法不能用于处理非线性数据集

C.SVM可以被用于解决分类问题

D.SVM算法可以使用多种核函数

A.一种非线性降维算法

B.一种能够解决词向量上的类比的线性变换

C.一种用于学习词嵌入的监督学习算法

D.个开源序列模型库

A.朴素贝叶斯(NaiveBayes,NB)

B.Logistic回归(LogisticRegression,LR)

C.支持向量机(SupportVectorMachine,SVM)

D.决策树(DecisionTree,DT)

A.Logistic回归(LogisticRegression,LR)

B.决策树(DecisionTree,DT)

C.朴素贝叶斯(NaiveBayes,NB)

D.支持向量机(SupportVectorMachine,SVM)

A.KNN，K最近邻算法

B.神经网络(NeuralNet)

C.支持向量机SVM

D.决策树(DecisionTree)

A.贝叶斯算法

B.支持向量机算法

C.神经网络算法

D.决策树算法

A.VLAN映射：将一个特定VLAN ID映射到一个唯一的Port-ID

B.802.1p映射：将一个特定802.1p映射到一个唯一的Port-ID

C.VLAN 802.1p映射：将一个特定的VLAN ID + 802.1p映射到一个唯一的Port-ID

D.优先级映射：将一个特定的优先级ID映射到一个唯一的Port-ID