Bueno, es mejor no comparar entre Support Vector Machine (SVM) y Neural Networks porque son tipos de modelos muy diferentes (matemática e intuitivamente), aunque es cierto que intentan hacer lo mismo (clasificación / regresión principalmente).
La formulación de SVM se ha planteado y derivado absolutamente sobre la base de técnicas algebraicas / estadísticas (por Vladimir Vapnik). Lo que intenta hacer es construir un hiperplano lineal (ahora también no lineal) que separa el hiperplano en el espacio N-dimensional para separar todas las clases con el mayor margen posible (por lo que el nombre ‘clasificador de gran margen’) . La regresión logística, por otro lado, hace más o menos lo mismo, pero sin tener en cuenta la consideración de “gran margen”.
- Tecnología: ¿Por qué la gente teme a un escenario de Skynet?
- ¿Qué tipo de matemática se usa en el aprendizaje automático y cómo se puede aprender?
- Cómo diseñar la personalidad de un chatbot
- ¿Puede una máquina artificialmente inteligente sentir emoción sin mostrarla como pocos humanos lo hacen?
- ¿Pueden las redes neuronales crear conciencia?
Fuente de la imagen: máquina de vectores de soporte
Se sabe que las redes neuronales son modelos bastante sofisticados en la comunidad de ML. Sin encontrar directamente un margen de separación entre clases, intenta asignar las entradas (de m-dimensional, por ejemplo) a otro espacio dimensional superior / inferior donde las entradas pueden separarse mediante un clasificador lineal (como SVM) si no son lineales en naturaleza. Entonces, los NN pueden actuar como un clasificador no lineal.
La primera imagen es un dato no separable linealmente (el rojo y el azul son dos clases).
La segunda imagen es una representación mapeada de las entradas a un espacio donde son linealmente separables.
Fuente de la imagen: redes neuronales, colectores y topología