サポートベクターマシンにはどのような学習問題が適していますか？

サポートベクターマシンを使用して特定の学習問題に取り組むことができることを示す特徴または特性は何ですか？

言い換えれば、学習の問題を見ると、ニューラルネットワークやデシジョンツリーなどではなく、「これには間違いなくSVMを使用する必要があります」ということになります。

SVMは、分類（複数のグループまたはクラスの区別）および回帰（何かを予測するための数学モデルの取得）に使用できます。それらは線形問題と非線形問題の両方に適用できます。

2006年まで、それらは機械学習のための最高の汎用アルゴリズムでした。最も知られているアルゴリズムの多くの実装を比較した論文を見つけようとしていました：svm、ニューラルネット、ツリーなど。申し訳ありません。論文では、ライブラリlibsvmを使用して、最高のパフォーマンスを得たアルゴリズムはsvmでした。

2006年、ヒントンはディープラーニングとニューラルネットを考案しました。彼は現在の最新技術を少なくとも30％改善しました。これは大きな進歩です。ただし、ディープラーニングは、膨大なトレーニングセットに対してのみ良好なパフォーマンスを実現します。小規模なトレーニングセットがある場合は、svmを使用することをお勧めします。

さらに、scikit-learnによるさまざまな機械学習アルゴリズムをいつ使用するかについての有用なインフォグラフィックを見つけることができます。ただし、私の知る限り、科学界の間で問題にX、Y、Zの機能がある場合、svmを使用することをお勧めします。別の方法を試してみることをお勧めします。また、svmまたはニューラルネットはモデルを計算するための単なる方法であることを忘れないでください。使用する機能も非常に重要です。

分類設定にいると仮定しましょう。

以下のためにsvm機能工学基礎となるものです。

• セットは線形に分離可能でなければなりません。それ以外の場合、データを変換する必要があります（カーネルを使用するなど）。これはアルゴ自体によって行われるのではなく、多くの機能を吹き飛ばす可能性があります。
• svm他の方法論（ツリーアンサンブル）よりも高速にディメンションの数を増やすと、パフォーマンスが低下します。これは、svms を支援する制約付き最適化の問題によるものです。機能の削減が可能な場合もあれば、そうでない場合もあります。これは、svm
• svmフィーチャの数が観測の数よりもはるかに多いデータセットで苦労する可能性があります。これも、制約付き最適化問題を見ると理解できます。
• カテゴリ変数は、svmアルゴリズムによってそのまま使用できるわけではありません。