উত্তর:
চারটি প্রধান সুবিধা রয়েছে: প্রথমত এটির নিয়মিতকরণের প্যারামিটার রয়েছে, যা ব্যবহারকারীকে অতিরিক্ত-ফিটিং এড়ানোর বিষয়ে ভাবতে বাধ্য করে। দ্বিতীয়ত এটি কার্নেল ট্রিক ব্যবহার করে, যাতে আপনি কার্নেল ইঞ্জিনিয়ারিংয়ের মাধ্যমে সমস্যা সম্পর্কে বিশেষজ্ঞ জ্ঞান তৈরি করতে পারেন। তৃতীয়ত: একটি এসভিএম একটি উত্তল অপ্টিমাইজেশন সমস্যা দ্বারা নির্ধারিত হয় (কোনও স্থানীয় মিনিমা নেই) যার জন্য দক্ষ পদ্ধতি রয়েছে (যেমন এসএমও)। শেষ অবধি, এটি পরীক্ষার ত্রুটির হারের সাথে সীমাবদ্ধ হওয়ার একটি অনুমান এবং এটির পিছনে তত্ত্বের একটি যথেষ্ট পরিমাণ রয়েছে যা প্রস্তাব দেয় এটি একটি ভাল ধারণা হওয়া উচিত।
অসুবিধাগুলি হ'ল তত্ত্বটি কেবলমাত্র নিয়মিতকরণ এবং কার্নেল পরামিতি এবং কার্নেলের পছন্দ হিসাবে প্রদত্ত মানের জন্য পরামিতিগুলির নির্ধারণকে আচ্ছাদিত করে। একটি উপায়ে এসভিএম পরামিতিগুলি মডেল নির্বাচনের অনুকূলকরণ থেকে ওভার-ফিটিংয়ের সমস্যাটি সরিয়ে দেয়। দুর্ভাগ্যক্রমে কার্নেল মডেলগুলি মডেল নির্বাচনের মানদণ্ডকে অতিরিক্ত ফিট করার জন্য বেশ সংবেদনশীল হতে পারে, দেখুন
জিসি কাওলি এবং এনএলসি টালবট, মডেল নির্বাচনের ওভার-ফিটিং এবং পারফরম্যান্স মূল্যায়নে পরবর্তী নির্বাচনের পক্ষপাতিত্ব, মেশিন লার্নিং রিসার্চ জার্নাল, ২০১০। গবেষণা, খন্ড 11, পৃষ্ঠা 2079-2107, জুলাই 2010. ( পিডিএফ )
নোট করুন তবে এই সমস্যাটি কার্নেল পদ্ধতিগুলির জন্য অনন্য নয়, বেশিরভাগ মেশিন লার্নিং পদ্ধতিতে একই সমস্যা রয়েছে। এসভিএম-এ ব্যবহৃত কব্জাগুলি ক্ষতি খুব কম দেখা যায়। তবে, প্রায়শই কার্নেল এবং নিয়মিতকরণ পরামিতিগুলির সর্বোত্তম পছন্দটির অর্থ আপনি সমস্ত ডেটা ভেক্টরকে সমর্থন করে শেষ করেন end আপনি যদি সত্যিই একটি স্পার্স কার্নেল মেশিন চান তবে তথ্যবহুল ভেক্টর মেশিনের মতো এমন কোনও জিনিস ব্যবহার করুন যা শুরু থেকেই বিচ্ছিন্ন হয়ে ডিজাইন করা হয়েছিল (যেমন দরকারী উপজাত উত্পাদন না করে)। সমর্থন ভেক্টর রিগ্রেশন জন্য ব্যবহৃত ক্ষতির ফাংশনটির সুস্পষ্ট পরিসংখ্যানগত ব্যাখ্যা থাকে না, প্রায়শই বিশেষজ্ঞের জ্ঞান ক্ষতি ফাংশনে যেমন এনকোড করা যায়, যেমন পোইসন বা বিটা বা গাউসিয়ান। একইভাবে অনেক শ্রেণিবিন্যাস সমস্যার মধ্যে আপনি প্রকৃতপক্ষে শ্রেণীর সদস্যতার সম্ভাবনা চান,
এটাই আমি অফ হ্যান্ড সম্পর্কে ভাবতে পারি।