Linear regression
SVM（support vector machines）
Advantages：
·Effective in high dimensional spaces.
·Still effective in cases where number of dimensions is greater than the number of samples.
·Uses a subset of training points in the decision function (called support vectors), so it is also memory efficient.
·Versatile: different Kernel functions can be specified for the decision function. Common kernels are provided, but it is also possible to specify custom kernels.
在高維空間有效，
在維數大于樣本數的情況下仍然有效，
在決策函式中使用訓練點的子集（稱為支持向量），因此它也具有存盤效率，
多功能：可以為決策功能指定不同的內核功能， 提供了通用內核，但是也可以指定自定義內核，
Disadvantage：
If the number of features is much greater than the number of samples, the method is likely to give poor performances.
SVMs do not directly provide probability estimates, these are calculated using an expensive five-fold cross-validation (see Scores and probabilities, below).
如果特征數量遠大于樣本數量，則該方法可能會產生較差的性能，
SVM不直接提供概率估計，而是使用昂貴的五倍交叉驗證來計算的
線性可分
線性不可分（間隔margin最大）
在資料分析中會大量記憶體消耗，速度不快，
SVM在小量資料中范化能力好，在大資料中應用不佳.擁有非常好的泛化能力，
邏輯回歸的演算法
目標損失函式
Kernel methods(KMs)
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/63734.html
標籤：其他
上一篇：尋求Zebra列印機的安裝包GB18030.DAT,SIMSUN.FNT兩個檔案，有的請發一下到我的郵箱：[email protected]