답변:
최신 기술은 측정 방법이 명확하지 않기 때문에 어려운 기준입니다. 최신 기술과 유사한 대체 기준은 언제 SVM을 시도 할 것인지 묻는 것입니다.
SVM에는 몇 가지 장점이 있습니다.
SVM에는 몇 가지 단점이 있습니다.
이러한 모든 요소는 SVM이 정확히 하나의 유스 케이스와 관련이 있음을 나타냅니다. 대상 패턴이 사소한 것으로 생각되는 작은 데이터 세트는 많은 기능의 규칙적이지만 비선형적인 함수입니다. 이 사용 사례는 실제로 상당히 자주 발생합니다. SVM이 자연스럽게 접근 한 최근의 예제 응용 프로그램은 기능 쌍 간의 상호 작용 (특히 에이전트 쌍 간의 통신) 결과 인 것으로 알려진 대상 기능에 대한 예측 모델을 구축하는 것이 었습니다. 따라서 2 차 커널을 사용하는 SVM은 보수적이고 합리적인 추측을 효율적으로 학습 할 수 있습니다.
1 다른 답변에서 언급했듯이 SVM을 이보다 빠르게 해결하는 대략적인 알고리즘이 있습니다.
딥 러닝 및 신경망은 최근 분야의 발전으로 인해 가장 많은 관심을 받고 있으며 대부분의 전문가들은 이것이 머신 러닝 문제를 해결할 미래라고 믿고 있습니다.
그러나 실수하지 마십시오. 클래식 모델은 여전히 뛰어난 결과를 생성하며 특정 문제에서는 딥 러닝보다 더 나은 결과를 생성 할 수 있습니다.
선형 회귀는 여전히 세계에서 가장 많이 사용되는 기계 학습 알고리즘입니다.
입력 데이터의 모양과 품질에 대한 정확도가 매우 많이 결정되므로 클래식 모델이 항상 더 나은 성능을 발휘하는 특정 영역을 식별하기가 어렵습니다.
따라서 알고리즘과 모델 선택은 항상 절충안입니다. 더 작은 데이터 세트로 클래식 모델의 성능을 향상시키는 것은 다소 정확한 설명입니다. 그러나 적은 양의 데이터에서 딥 러닝 모델 성능을 개선하기위한 많은 연구가 진행되고 있습니다.
대부분의 클래식 모델은 계산 리소스가 덜 필요하므로 목표가 속도보다 빠르면 훨씬 좋습니다.
또한 클래식 모델은 구현 및 시각화가 쉬워 성능에 대한 또 다른 지표가 될 수 있지만 목표에 따라 다릅니다.
무제한 레이블이 붙은 무제한의 관찰 가능한 데이터 세트가 있고 문제가있는 도메인 내에서 올바르게 구현하면 딥 러닝으로 인해 대부분의 경우 더 나은 결과를 얻을 수 있습니다.
그러나 내 경험상 실제 조건은 결코 완벽하지 않습니다
@John의 답변에 전적으로 동의하십시오. 더 많은 포인트로 그것을 시도하고 보완 할 것입니다.
SVM의 몇 가지 장점 :
a) SVM은 SMO와 같은 효율적인 해결 방법 이있는 볼록 최적화 문제로 정의됩니다 .
b) 높은 차원의 공간에서 그리고 차원의 수가 샘플의 수보다 큰 경우에도 효과적입니다.
c) 의사 결정 기능 (지원 벡터라고 함)에 훈련 지점의 하위 집합을 사용하므로 메모리 효율성도 높습니다.
d) 결정 기능에 대해 다른 커널 기능을 지정할 수 있습니다.. 가장 간단한 형태의 커널 트릭은 데이터를 다른 클래스로 명확하게 나누는 다른 차원으로 데이터를 변환하는 것을 의미합니다.
서포트 벡터 머신의 단점은 다음과 같습니다.
a) 피처 수가 샘플 수보다 훨씬 많은 경우 커널 기능과 정규화 용어를 선택할 때 과적 합을 피하는 것이 중요합니다. 커널 모델은 모델 선택 기준 을 과도하게 맞추는 데 매우 민감 할 수 있습니다
b) SVM은 확률 추정치를 직접 제공하지 않습니다. 많은 분류 문제에서 실제로 클래스 멤버쉽의 가능성을 원하므로 확률을 얻기 위해 SVM의 출력을 사후 처리하는 것보다 로지스틱 회귀와 같은 방법을 사용하는 것이 좋습니다.