Comme chacun le sait, SVM peut utiliser la méthode du noyau pour projeter des points de données dans des espaces plus élevés, de manière à ce que les points puissent être séparés par un espace linéaire. Mais nous pouvons aussi utiliser la régression logistique pour choisir cette limite dans l’espace noyau, alors quels sont les avantages de la SVM? Puisque SVM utilise un modèle fragmenté dans lequel seuls ces vecteurs de support apportent des contributions lors de la prédiction, cela rend-il SVM plus rapide dans la prédiction?
32
Réponses:
KLR et SVM
En regardant ce qui précède, vous devriez utiliser une régression logistique du noyau. Cependant, les SVM ont certains avantages:
la source
Voici mon point de vue sur la question:
Les SVM sont une manière très élégante de faire la classification. Il y a une belle théorie, de belles maths, ils génèrent bien, et ils ne sont pas trop lents non plus. Essayez de les utiliser pour la régression cependant, et cela devient compliqué.
La régression de processus gaussienne a beaucoup de choses mathématiques identiques et fonctionne très bien pour la régression. Encore une fois, c'est très élégant et ce n'est pas trop lent. Essayez de les utiliser pour la classification, et vous commencez à vous sentir mal.
Voici un chapitre du livre du GP sur la régression.
Voici un chapitre sur la classification, à des fins de comparaison. Notez que vous vous retrouvez avec des approximations compliquées ou une méthode itérative.
Une bonne chose à propos de l’utilisation des généralistes pour la classification, c’est que cela vous donne une distribution prédictive, plutôt qu’une simple classification oui / non.
la source
s'il vous plaît visitez http://www.stanford.edu/~hastie/Papers/svmtalk.pdf
Quelques conclusions: La performance de la classi fi cation est très similaire. Possède des propriétés de marge optimales. Fournit des estimations des probabilités de classe. Celles-ci sont souvent plus utiles que les classi fi cations. Généraliser naturellement à la classi fi cation de classe M par la régression multi-logit par noyau.
la source