Regresión logística (LR) vs SVM lineal
m: número de ejemplos de entrenamiento
n: número de características
caso 1: n: grande (relativo a m)
por ejemplo, n = 10000, m = 10-1000
usar LR o SVM
caso 2: n: pequeño, m: intermedio
por ejemplo, n = 1-1000, m = 10-10000
usar SVM con el núcleo gaussiano
caso 3: n: pequeño, m: grande
por ejemplo, n = 1-1000, m = 50000
cree o agregue más funciones, luego use LR o SVM sin kernel
Es probable que las NN funcionen bien para la mayoría de estos entornos, pero pueden ser más lentas para entrenar.
- ¿Cuándo la piratería se convirtió en algo malo? Pensé que hackear era una forma inteligente / ingeniosa de desarrollar un algoritmo para resolver un problema.
- ¿Qué algoritmo en aprendizaje automático es el más adecuado para unir los datos entrantes nuevos con los datos existentes en la base de datos SQLite?
- ¿Cuán ampliamente se utilizan los algoritmos de bandidos en los sistemas de recomendaciones modernos reales? ¿Y de qué manera?
- Si tengo un buen conocimiento de Java, C ++, algoritmos y estructuras de datos y quiero ser un profesional independiente. ¿Cuánto puede ganar alguien con estas habilidades?
- Dados 2n puntos en un avión. Uno quiere dibujar n segmentos que unan pares de estos puntos, de modo que no haya dos segmentos que compartan un vértice común. ¿De cuántas maneras se puede hacer esto?
SVM y LR la función objetivo es convexa. para que no tenga que preocuparse por los optimismos locales. (en comparación con NNs) También es bueno mencionar que usa Multiplicadores de Lagrange en lugar de Descenso de degradado.
SVM puede usar las funciones del núcleo para transformar implícitamente las características de entrada en un conjunto de características mucho más grande. Esto se llama “truco del núcleo”.
Algunos de estos hechos se basan en el curso de ML de Andrew Ng en Coursera.
