이 질문은 다른 질문에 대한 의견에 대한 답변입니다.
이 의견은 Coursera의 머신 러닝 과정 강의 계획서에 관한 것이며 "현재 SVM은 그렇게 많이 사용되지 않습니다"라는 문구를 따라 진행되었습니다.
방금 관련 강의를 마쳤으며 SVM에 대한 이해는 강력하고 효율적인 분류 알고리즘이며, 커널을 사용할 때 10 ~ 1000 개 정도의 기능을 다루는 "틈새"가 있으며 훈련 샘플 수는 아마도 100에서 10,000 사이입니다. 훈련 샘플의 한계는 핵심 알고리즘이 원래의 특징이 아니라 훈련 샘플의 수를 기반으로 한 차원으로 정사각 행렬에서 생성 된 결과를 최적화하는 것입니다.
내가 본 의견은 과정이 이루어진 이후로 약간의 변화가 있었으며, 그렇다면 그 변화는 무엇입니까? ? 아니면 댓글 작성자의 의견이나 개인적인 경험일까요?
예를 들어 "패션 벡터 시스템을 지원하지 않습니다"라는 검색을 시도했지만 다른 것을 선호한다는 말은 없었습니다.
그리고 Wikipedia에는 http://en.wikipedia.org/wiki/Support_vector_machine#Issues가 있습니다. . . 주요 고착 점은 모델을 해석하는 데 어려움이있는 것으로 보입니다. 블랙 박스 예측 엔진에는 SVM이 적합하지만 통찰력 생성에는 적합하지 않습니다. 나는 중요한 문제로서, 훈련 데이터 및 학습 과제 등의 특성과 함께 작업에 적합한 도구를 선택할 때 고려해야 할 또 다른 사소한 일이라고 생각하지 않습니다.