SVMs是用于分类、回归、孤立点检测的一系列监督学习方法。
支撑向量机的有点有:
1.高维空间有效性;
2.当维度树高于样本数时仍然有效;
3.在决策函数(称为支撑向量)中使用训练点的子集,因此它还是内存有效的;
4.通用的:决策函数可以指定不同的内核函数。提供了通用的内核,但也可以指定自定义的内核。
支撑向量机的缺点有:
1.如果特征数多于样本数,该方法可能提供较差的表现;
2.SVMs不直接提供概率估计,这些使用昂贵的五倍交叉验证来计算。
SVMs是用于分类、回归、孤立点检测的一系列监督学习方法。
支撑向量机的有点有:
1.高维空间有效性;
2.当维度树高于样本数时仍然有效;
3.在决策函数(称为支撑向量)中使用训练点的子集,因此它还是内存有效的;
4.通用的:决策函数可以指定不同的内核函数。提供了通用的内核,但也可以指定自定义的内核。
支撑向量机的缺点有:
1.如果特征数多于样本数,该方法可能提供较差的表现;
2.SVMs不直接提供概率估计,这些使用昂贵的五倍交叉验证来计算。