আমি বলব, পছন্দটি আপনার কাছে কী ডেটা আছে এবং আপনার উদ্দেশ্য কী তা নির্ভর করে depends কয়েকটি "থাম্বের নিয়ম"।
র্যান্ডম ফরেস্ট অভ্যন্তরীণভাবে মাল্টিক্লাস সমস্যার জন্য উপযুক্ত, এসভিএম অভ্যন্তরীণভাবে দ্বি-শ্রেণীর। মাল্টিক্লাস সমস্যার জন্য আপনার এটি একাধিক বাইনারি শ্রেণিবদ্ধকরণ সমস্যায় কমাতে হবে।
র্যান্ডম ফরেস্ট সংখ্যাসূচক এবং শ্রেণিবদ্ধ বৈশিষ্ট্যগুলির মিশ্রণ সহ ভাল কাজ করে। বৈশিষ্ট্যগুলি যখন বিভিন্ন স্কেলের হয় তখন এটিও ঠিক। মোটামুটিভাবে বলতে গেলে, র্যান্ডম ফরেস্টের সাথে আপনি ডেটা যেমন ব্যবহার করতে পারেন তেমন ব্যবহার করতে পারেন। এসভিএম "মার্জিন" সর্বাধিক করে তোলে এবং এইভাবে বিভিন্ন পয়েন্টগুলির মধ্যে "দূরত্ব" ধারণার উপর নির্ভর করে। "দূরত্ব" অর্থবহ কিনা তা সিদ্ধান্ত নেওয়া আপনার পক্ষে। ফলস্বরূপ, বিভাগীয় বৈশিষ্ট্যগুলির জন্য এক-গরম এনকোডিংটি অবশ্যই করা উচিত। তদ্ব্যতীত, প্রিপ্রোসেসিং পদক্ষেপে সর্বনিম্ন সর্বোচ্চ বা অন্যান্য স্কেলিংয়ের সুপারিশ করা হয়।
nmn×nn2
শ্রেণিবদ্ধকরণ সমস্যার জন্য র্যান্ডম ফরেস্ট আপনাকে শ্রেণীর অন্তর্ভুক্ত হওয়ার সম্ভাবনা দেয়। এসভিএম আপনাকে সীমানায় দূরত্ব দেয়, আপনার যদি সম্ভাবনার প্রয়োজন হয় তবে আপনাকে এটিকে কোনও কোনও ক্ষেত্রে রূপান্তর করতে হবে।
এই সমস্যাগুলির জন্য, যেখানে এসভিএম প্রয়োগ করে, এটি সাধারণত র্যান্ডম ফরেস্টের চেয়ে ভাল সম্পাদন করে।
এসভিএম আপনাকে "সাপোর্ট ভেক্টর" দেয়, এটি ক্লাসের মধ্যে সীমানার সবচেয়ে কাছের প্রতিটি ক্লাসের পয়েন্ট। তারা ব্যাখ্যার জন্য নিজেরাই আগ্রহী হতে পারে।