Алгоритм машины опорных векторов является одним из наиболее часто используемых алгоритмов и представляет собой естественный подход к разбиению данных на разные классы и максимизации маржи. Подробнее об этом здесь.
Этот пост призван стать краткой памяткой для любого специалиста по науке о данных или машинному обучению о том, каковы основные преимущества и недостатки SVM.
Преимущества:
- Это дает исследователю возможность избежать переобучения путем настройки параметра регуляризации (c)
- Доказывает свою надежность в пространстве большего размера
- Обучение с полуучителем может быть реализовано с помощью SVM.
- Может управлять нелинейными данными с помощью хитрости ядра.
- Эффективен в случае, когда количество измерений больше, чем количество выборок
- Меньше параметров, которые необходимо учитывать при настройке (ядро, регуляризация (c), гамма)
- В зависимости от потребности может быть определено персонализированное ядро
Недостатки:
- Универсальность, предлагаемая настройкой параметров, может стать проблематичной, если вы не знаете, как эти значения действительно влияют на модель.
- Высокая алгоритмическая сложность
- Обширные требования к памяти
- Для разных наборов данных разные функции ядра показывают разные результаты.
- Чувствителен к выбросам
- Не дает вероятностного объяснения классификации
- Обучение занимает много времени.