← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9447.i · 生成模型:Tencent Hunyuan Hy

SVM的两大不足

理解等级:中级

随着硬件提升与数据量增长,神经网络、深度学习以及后来的集成学习在复杂分类上全面超越SVM,SVM主要暴露出两方面不足。第一,对缺失数据敏感,对参数与核函数选择敏感:性能优劣主要取决于选取的核函数,而如何根据具体数据选择合适核函数没有统一标准,通常靠工程师经验,带有随意性。第二,难以适应大规模训练集:它要存储训练样本和核矩阵,二次规划涉及 m 阶矩阵(m 为样本数)的计算,m 很大时存储与计算会耗费大量内存和时间。边界是这些不足是相对大数据与集成方法而言,SVM在中小样本、高维特征场景仍有价值。反例是小样本文本分类中SVM依然表现优秀。可迁移的启发是:选算法要综合数据规模、噪声与可解释性,没有放之四海皆准的万能模型。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 求解支持向量机 8.5 支持向量机的不足之处 · 查看原书依据

      对缺失数据敏感,对参数和核函数的选择敏感。在实际项目中,SVM 性能的优劣主要取决于选取的核函数。如何根据实际的数据模型选择合适的核函数,从而构造SVM算法目前没有统一的标准。通常情况下根据工程师的经验来选取,带有一定的随意性。

    参考来源

    - 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第8章《求解支持向量机》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00013.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文指出SVM对缺失数据与核函数选择敏感且无统一标准,并说明大规模训练时矩阵存储与计算耗费巨大,支撑了“SVM存在两大不足”的结论。 - 原始内容:对缺失数据敏感,对参数和核函数的选择敏感。在实际项目中,SVM 性能的优劣主要取决于选取的核函数。如何根据实际的数据模型选择合适的核函数,从而构造SVM算法目前没有统一的标准。通常情况下根据工程师的经验来选取,带有一定的随意性。