SVM es definitivamente un algoritmo muy bueno con muchas habilidades con diferentes tipos de núcleos. No significa que SVM siempre será el mejor algoritmo para usar en la clasificación. Sin embargo, si la matriz de confusión difiere enormemente y realmente desea probar SVM. Puedes intentar seguir
1. Pruebe el parámetro de regularización
2. Pruebe diferentes granos
3. Use más funciones, use términos de interacción, etc.
Pero en general, hay algunos puntos a tener en cuenta.
- ¿Cuáles son las ventajas de la maximización de la expectativa sobre el gradiente decente para ajustar un modelo de mezcla gaussiana?
- ¿Cuáles son las diferencias entre GRU y RNN estándar?
- ¿Cuántas imágenes necesita un buen sistema de aprendizaje automático para aprender un nuevo concepto?
- ¿Me puede explicar sobre el aprendizaje automático? ¿Cuál es el alcance del aprendizaje automático?
- Cómo construir y ejecutar mi primera red de aprendizaje profundo
1. No hay teorema de almuerzo gratis: dependerá del tipo de datos y no necesariamente del algoritmo. Lea más sobre el teorema Sin almuerzo gratis
2. El árbol de decisión es fácil de interpretar y es relativamente más rápido para obtener el resultado, ya que se basa en el cálculo de la ganancia de información a diferencia de la resolución del caso de optimización convexa de SVM. Incluso si obtengo los mismos resultados de ambos, iría con el árbol de decisión para su fácil interpretación
He tenido experiencia donde SVM superó a Random Forest.
