এসভিএম শ্রেণীবদ্ধকরণ (বিভিন্ন গ্রুপ বা শ্রেণীর মধ্যে পার্থক্য) এবং রিগ্রেশন (কোনও কিছুর পূর্বাভাস দেওয়ার জন্য গাণিতিক মডেল অর্জন করা) জন্য ব্যবহার করা যেতে পারে। এগুলি রৈখিক এবং অ লিনিয়ার উভয় সমস্যাতেই প্রয়োগ করা যেতে পারে।
2006 অবধি তারা মেশিন লার্নিংয়ের জন্য সেরা সাধারণ উদ্দেশ্য অ্যালগরিদম ছিল। আমি এমন একটি কাগজ সন্ধানের চেষ্টা করছিলাম যা সর্বাধিক পরিচিত অ্যালগরিদমগুলির অনেকগুলি বাস্তবায়নকে তুলনা করে: এসভিএম, নিউরাল নেট, গাছ ইত্যাদি I কাগজে লাইব্রেরি libsvm সহ সেরা পারফরম্যান্সটি পেয়েছিল অ্যালগরিদমটি ছিল svm।
2006 সালে হিন্টন গভীর শিক্ষা এবং নিউরাল নেট নিয়ে এসেছিলেন। তিনি শিল্পের বর্তমান অবস্থাকে কমপক্ষে 30% দ্বারা উন্নত করেছেন, এটি একটি বিশাল অগ্রগতি। তবে গভীর শেখা বিশাল প্রশিক্ষণের জন্য উপযুক্ত পারফরম্যান্স পেয়েছে। আপনার যদি একটি ছোট প্রশিক্ষণ সেট থাকে তবে আমি এসএমএম ব্যবহার করার পরামর্শ দেব।
তদ্ব্যতীত আপনি বিজ্ঞানী-শিখার মাধ্যমে বিভিন্ন মেশিন লার্নিং অ্যালগরিদমগুলি কখন ব্যবহার করবেন সে সম্পর্কে একটি দরকারী ইনফোগ্রাফিক পাবেন । তবে আমার জ্ঞানের সেরাটি সম্পর্কে বৈজ্ঞানিক সম্প্রদায়ের মধ্যে কোনও সমঝোতা নেই যদি কোনও সমস্যাটির এক্স, ওয়াই এবং জেড বৈশিষ্ট্য থাকে তবে এসএমএম ব্যবহার করা ভাল। আমি বিভিন্ন পদ্ধতি চেষ্টা করার পরামর্শ দেব। এছাড়াও, দয়া করে ভুলে যাবেন না যে এসএমএম বা নিউরাল জাল কেবল একটি মডেল গণনা করার একটি পদ্ধতি। এটি আপনি যে বৈশিষ্ট্যগুলি ব্যবহার করেন তা খুব গুরুত্বপূর্ণ।
supervised learning
ট্যাগটি সরানো হয়েছে , যেহেতু এসভিএম এর অব্যাহত শেখার সমস্যাগুলিতেও ব্যবহার করা যেতে পারে ।