gpt4 book ai didi

machine-learning - 在扩展特征空间中,核 SVM 与线性 SVM 相比有哪些缺点?

转载 作者:行者123 更新时间:2023-11-30 09:07:09 27 4
gpt4 key购买 nike

这是我考试时提出的问题。我给出了以下答案,我的得分是0分。教授甚至不同意给予任何部分的认可,也没有告诉我我的答案有什么问题。谁能帮我找出我的答案有什么问题吗?

这是我在考试中给出的答案。缺点是:1) 如果数据在扩展的特征空间中是线性可分的,线性 SVM 可以更好地最大化边际,并可以得到更稀疏的解决方案。2) 当数据集很大时,与扩展特征空间中的核化 SVM 相比,线性 SVM 需要更少的时间来训练和预测。3) 与线性 SVM 相比,核化 SVM 可能会过度拟合,生成更复杂的经过训练的 SVM 模型。

最佳答案

嗯,我觉得还可以。我绝对同意你的第二个答案。这里需要提到的一件重要事情是,内核 SVM 需要更多参数,因此训练和选择足够的参数集会更加困难。

RBF Kernel

以 RBF 核为例,它需要像线性 SVM 一样的典型 C 参数,但除此之外,它还需要 Sigma(通常称为Gamma)参数,它是正态分布的标准差。因此,要确定这两个参数的良好设置,必须使用Grid-Search等方法。

关于machine-learning - 在扩展特征空间中,核 SVM 与线性 SVM 相比有哪些缺点?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49316431/

27 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com