machine-learning - 在sklearn中，具有线性内核的SVM模型和具有loss=hinge的SGD分类器之间有什么区别

Question

我发现在 scikit-learn 中我可以通过至少 3 种不同的方式构建具有线性内核的 SVM 分类器:

• LinearSVC
• SVC与 kernel='线性' 参数
• Stochastic Gradient Descent带有loss='hinge'参数

现在，我看到前两个分类器的区别在于，前者是用liblinear实现的，后者是用libsvm实现的。

前两个分类器与第三个分类器有何不同？

Answer 1

前两个始终使用完整数据并解决关于这些数据点的凸优化问题。

后者可以批量处理数据并执行梯度下降，旨在最大限度地减少样本分布的预期损失(假设示例是该分布的独立同分布样本)。

后者通常在样本数量非常大或没有结束时使用。请注意，您可以调用 partial_fit 函数并向其提供数据 block 。

希望这有帮助吗？