哪些学习问题适合于支持向量机？

表明支持向量机可以解决某些学习问题的标志或特性是什么？

换句话说，当您看到一个学习问题时，是什么让您“噢，我绝对应该为此使用SVM”而不是神经网络或决策树或其他任何东西？

SVM可用于分类（在几个组或类之间进行区分）和回归（获得数学模型来预测某物）。它们可以应用于线性和非线性问题。

直到2006年，它们都是用于机器学习的最佳通用算法。我试图找到一篇论文，对最著名算法的许多实现进行比较：svm，神经网络，树等。我很难过（您必须相信我，不好的事情）。在本文中，具有最佳性能的算法是svm，带有库libsvm。

2006年，Hinton提出了深度学习和神经网络。他将当前的技术水平提高了至少30％，这是一个巨大的进步。然而，深度学习只能在大量训练中获得良好的表现。如果您的培训课程很小，建议您使用svm。

此外，您可以在此处找到有关何时通过scikit-learn 使用不同的机器学习算法的有用信息。但是，据我所知，科学界对某个问题是否具有X，Y和Z特征没有共识，那么使用svm更好。我建议尝试其他方法。另外，请不要忘记svm或神经网络只是一种计算模型的方法。使用的功能也非常重要。

假设我们处于分类设置中。

对于svm要素工程而言，基石是：

• 这些集合必须是线性可分离的。否则，数据需要转换（例如，使用内核）。这不是由算法本身完成的，可能会破坏功能的数量。
• 我会说，svm随着我们比其他方法（树集成）更快地增加维数，性能会受到影响。这是由于支持svms 的约束优化问题。有时功能简化是可行的，有时则不可行，这是当我们无法真正有效地使用svm
• svm可能会与特征数量远大于观测数量的数据集作斗争。同样，可以通过查看约束优化问题来理解这一点。
• 该svm算法不会对分类变量进行开箱即用的处理。