La función logística se usa para la predicción al obtener una ecuación de función optimizada del entrenamiento establecido sobre la salida al entrenar las redes neuronales para la regresión logística, mientras que los SVM son un modelo (no una función) que se usa en el aprendizaje supervisado donde divide el entrenamiento conjunto de datos en hiperplanos donde cada área contiene datos de casi la misma categoría.
Ahora, SVM en sí mismo es un modelo matemático complejo al igual que las redes neuronales profundas (pero las redes neuronales son más simples en comparación con SVM), por lo que no puede usar eso en la red neuronal profunda.
Ahora, verifiquemos el enfoque en ambos casos:
Los SVM dividen el conjunto de datos de entrenamiento en hiperplanos y la función logística (o regresor) también divide los datos en hiperplanos. Pero, el modelo de perceptrón usa el primero de los posibles hiperplanos, mientras que los SVM obtienen los hiperplanos según el Principio de margen máximo .
- ¿Por qué los tanques a control remoto no reemplazan a los tripulados en la guerra moderna?
- ¿Por qué algunos algoritmos de aprendizaje automático se consideran más adecuados para tareas de PNL específicas?
- ¿Cuáles son ejemplos de problemas que los humanos son mucho mejores para resolver en comparación con las computadoras?
- A partir de abril de 2017, ¿a qué distancia están los mejores chatbots de la IA en la película 'Her'?
- Cuando se conoce la distribución de probabilidad discreta posterior, ¿qué función de activación de red neuronal y función de pérdida deben usarse?
Entonces, si desea utilizar el Principio de margen máximo para obtener el hiperplano óptimo para la regresión logística en redes neuronales profundas, la respuesta es que puede hacerlo, no sé los resultados, pero puede hacerlo. No puedo decir que sea un buen enfoque o que sea poco convincente, pero es simplemente nuevo, por lo que puede probarlo y, si ofrece mejores resultados, ¡Bravo!