सपोर्ट वेक्टर मशीनों के लिए किस प्रकार की सीखने की समस्याएं उपयुक्त हैं?

Question

हॉलमार्क या गुण क्या हैं जो इंगित करते हैं कि समर्थन वेक्टर मशीनों का उपयोग करके एक निश्चित सीखने की समस्या से निपटा जा सकता है?

दूसरे शब्दों में, यह क्या है कि जब आप एक सीखने की समस्या देखते हैं, तो आप "ओह मैं निश्चित रूप से तंत्रिका नेटवर्क या निर्णय पेड़ों या कुछ और के बजाय इस '' के लिए SVMs का उपयोग करना चाहिए?

Comments

supervised learningटैग को हटा दिया गया , क्योंकि SVM का उपयोग अनियोजित शिक्षण समस्याओं में भी किया जा सकता है ।

— Dawny33

समझा सकता है कि कैसे बेमेल समस्या के लिए svm का इस्तेमाल किया जा सकता है और कौन सा पैकेज इसे लागू करता है?

— जॉर्जऑफTheRF

@ML_Pro कृपया अपनी टिप्पणी में शामिल लिंक के माध्यम से जाना।

— Dawny33

@ Dawny33, अनुपयोगी सीखने के लिए एसवीएम का आवेदन अपवाद है न कि नियम। एसवीएम एक पर्यवेक्षित शिक्षण पद्धति है।

— AN6U5

@ AN6U5 सूचित करने के लिए धन्यवाद :) exception, आपका मतलब है कि यह सिर्फ एक ट्विस्ट है न कि कन्वेंशन, है ना?

— Dawny33

Answer 1

एसवीएम का उपयोग वर्गीकरण के लिए किया जा सकता है (कई समूहों या वर्गों के बीच अंतर) और प्रतिगमन (कुछ का अनुमान लगाने के लिए गणितीय मॉडल प्राप्त करना)। उन्हें रैखिक और गैर-रैखिक दोनों समस्याओं पर लागू किया जा सकता है।

2006 तक वे मशीन सीखने के लिए सबसे अच्छा सामान्य उद्देश्य एल्गोरिदम थे। मैं एक पेपर खोजने की कोशिश कर रहा था जो कि सबसे अधिक ज्ञात एल्गोरिदम के कई कार्यान्वयनों की तुलना में था: svm, तंत्रिका जाल, पेड़, आदि। मुझे यह खेद नहीं मिला (आपको मुझ पर विश्वास करना होगा, बुरी बात)। कागज़ात में एल्गोरिथ्म को सबसे अच्छा प्रदर्शन मिला, जो कि लाइब्रेरी लिबस्विम के साथ svm था।

2006 में हिंटन गहरी शिक्षा और तंत्रिका जाल के साथ आए। उन्होंने कम से कम 30% कला की वर्तमान स्थिति में सुधार किया, जो एक बहुत बड़ी प्रगति है। हालाँकि गहन शिक्षण से केवल विशाल प्रशिक्षण सेटों के लिए अच्छा प्रदर्शन मिलता है। यदि आपके पास एक छोटा प्रशिक्षण सेट है तो मैं svm का उपयोग करने का सुझाव दूंगा।

इसके अलावा आप यहां एक उपयोगी इन्फोग्राफिक पा सकते हैं कि स्किट-लर्न द्वारा विभिन्न मशीन लर्निंग एल्गोरिदम का उपयोग कब किया जाए। हालाँकि, मेरे सर्वश्रेष्ठ ज्ञान के लिए वैज्ञानिक समुदाय के बीच कोई समझौता नहीं है यदि किसी समस्या में X, Y और Z सुविधाएँ हैं तो svm का उपयोग करना बेहतर है। मैं विभिन्न तरीकों की कोशिश करने का सुझाव दूंगा। इसके अलावा, यह मत भूलो कि svm या तंत्रिका जाल केवल एक मॉडल की गणना करने की एक विधि है। यह आपके द्वारा उपयोग की जाने वाली सुविधाओं के साथ-साथ बहुत महत्वपूर्ण है।

Comments

@HoapHumaboid मुझे एसवीसी और एसवीआर के बारे में पता है और हम कर्नेल का उपयोग एसवीएम को एनएलपी में लागू करने के लिए कर सकते हैं और मुझे ऐसे कागजात के बारे में पता है जो एसवीएम की तुलना अन्य शिक्षण एल्गोरिदम से करते हैं ... मैं एक संभावित सीखने की समस्या के बारे में सोच रहा था यह स्पष्ट है कि इसे एक एसवीएम से निपटना चाहिए। दूसरे शब्दों में, यह क्या है कि जब आप एक सीखने की समस्या देखते हैं, तो आपको "ओह मैं निश्चित रूप से NN या निर्णय पेड़ों या कुछ और के बजाय इस 'के लिए SVMs का उपयोग करना चाहिए

— Ragnar

@ रेगनार कृपया मेरी संपादित प्रतिक्रिया देखें

— hoaphumanoid

Answer 2

मान लेते हैं कि हम एक वर्गीकरण सेटिंग में हैं।

के लिए svmसुविधा इंजीनियरिंग आधारशिला है:

• सेट को रैखिक रूप से अलग करना होगा। अन्यथा डेटा को बदलने की जरूरत है (जैसे कि कर्नेल का उपयोग करके)। यह स्वयं एल्गो द्वारा नहीं किया गया है और कई सुविधाओं को उड़ा सकता है।
• मैं यह कहूंगा कि svmप्रदर्शन में अन्य तरीकों (पेड़ की टुकड़ी) की तुलना में आयामों की संख्या में तेजी से वृद्धि होती है। यह विवश अनुकूलन समस्या के कारण है जो कि बैक करती है svm। कभी-कभी सुविधा में कमी संभव है, कभी-कभी नहीं और यह तब है जब हम वास्तव में प्रभावी उपयोग के लिए मार्ग प्रशस्त नहीं कर सकतेsvm
• svmसंभवतः एक डेटासेट के साथ संघर्ष करेगा जहाँ सुविधाओं की संख्या टिप्पणियों की संख्या से बहुत बड़ी है। यह, फिर से, विवश ऑप्टिमिज़ैटिओम समस्या को देखकर समझा जा सकता है।
• svmएल्गोरिथ्म द्वारा श्रेणीबद्ध चर को बॉक्स से बाहर संभाला नहीं जाता है ।