Esto es útil ya que se obtiene una solución más dispersa. Un número menor de vectores de soporte, por ejemplo en el caso del kernel, permite una representación más escasa de la solución al problema de optimización, lo cual es beneficioso en escenarios en los que uno podría tener restricciones de almacenamiento y computacionales. Las instancias en las que esto podría ser factible son en plataformas / dispositivos móviles, donde podemos pretender utilizar un algoritmo de aprendizaje automático para una aplicación, o para la realización de chips de algoritmos ML. Puede consultar este documento reciente sobre un nuevo clasificador que ha mostrado una mejora significativa en términos de reducción del número de vectores de soporte, al tiempo que obtiene precisiones comparables.
@ [1408.2803] Aprendizaje de un clasificador de hiperplano minimizando un límite exacto en la dimensión VC
- ¿Cuál es el mejor método de aprendizaje automático para predecir los datos de prueba una vez que conozco los datos de entrenamiento y la etiqueta de entrenamiento?
- ¿Es posible usar bibliotecas de aprendizaje automático OpenCV para aplicaciones que no son de visión por computadora?
- Cómo calcular la precisión y recordar para la clasificación, donde ambas clases son igualmente importantes
- ¿Cuál es la tecnología detrás de la aplicación Summly recién adquirida por Yahoo?
- ¿Cuáles son los casos de uso de aprendizaje profundo en CRM?
