Seperti diketahui oleh semua, SVM dapat menggunakan metode kernel untuk memproyeksikan titik data di ruang yang lebih tinggi sehingga titik dapat dipisahkan oleh ruang linear. Tetapi kita juga dapat menggunakan regresi logistik untuk memilih batas ini di ruang kernel, jadi apa kelebihan SVM? Karena SVM menggunakan model jarang di mana hanya vektor-vektor pendukung yang berkontribusi saat memprediksi, apakah ini membuat SVM lebih cepat dalam prediksi?
32
Jawaban:
KLR dan SVM
Melihat di atas hampir terasa seperti regresi logistik kernel adalah apa yang harus Anda gunakan. Namun, ada keuntungan tertentu yang dinikmati SVM
sumber
Inilah pendapat saya tentang masalah ini:
SVM adalah cara yang sangat elegan untuk melakukan klasifikasi. Ada beberapa teori yang bagus, beberapa matematika yang indah, mereka menggeneralisasi dengan baik, dan mereka juga tidak terlalu lambat. Cobalah untuk menggunakannya untuk regresi, dan itu menjadi berantakan.
Regresi Proses Gaussian memiliki banyak matematika kernelly yang sama, dan ini berfungsi baik untuk regresi. Sekali lagi, sangat elegan, dan tidak terlalu lambat. Cobalah untuk menggunakannya untuk klasifikasi, dan mulai terasa cukup kludgy.
Inilah bab dari buku GP tentang regresi.
Inilah bab tentang klasifikasi, untuk perbandingan. Perhatikan bahwa Anda berakhir dengan beberapa perkiraan rumit atau metode berulang.
Satu hal yang menyenangkan tentang menggunakan dokter untuk klasifikasi, adalah memberi Anda distribusi prediksi, bukan klasifikasi ya / tidak sederhana.
sumber
please visit http://www.stanford.edu/~hastie/Papers/svmtalk.pdf
Some conclusions: The classification performance is very similar. Has limiting optimal margin properties. Provides estimates of the class probabilities. Often these are more useful than the classifications. Generalizes naturally to M-class classification through kernel multi-logit regression.
sumber