লিনিয়ার এসভিএম এবং লজিস্টিক রিগ্রেশন সাধারণত অনুশীলনে তুলনামূলকভাবে সম্পাদন করে। ননলাইনার কার্নেলের সাথে এসভিএম ব্যবহার করুন যদি আপনার বিশ্বাসের কারণ থাকে যে আপনার ডেটা রৈখিকভাবে পৃথকযোগ্য হবে না (বা আপনার সাধারণত এলআর সহ্য করার চেয়ে বিদেশীদের কাছে আরও দৃust় হতে হবে)। অন্যথায়, কেবল প্রথমে প্রথমে লজিস্টিক রিগ্রেশন চেষ্টা করে দেখুন এবং কীভাবে আপনি সেই সহজ মডেলটি ব্যবহার করেন। যদি লজিস্টিক রিগ্রেশন ব্যর্থ হয়, তবে একটি আরবিএফের মতো একটি লিনিয়ার লাইনের কার্নেল দিয়ে একটি এসভিএম চেষ্টা করুন।
সম্পাদনা করুন:
ঠিক আছে, আসুন যেখানে আসুন উদ্দেশ্যমূলক ফাংশনগুলি সম্পর্কে আলোচনা করা যাক।
লজিস্টিক রিগ্রেশন সাধারণীভূত লিনিয়ার রিগ্রেশন থেকে আসে। এই প্রসঙ্গে লজিস্টিক রিগ্রেশন উদ্দেশ্য কার্যের একটি ভাল আলোচনা এখানে পাওয়া যাবে: https://stats.stackexchange.com/a/29326/8451
সমর্থন ভেক্টর মেশিনগুলির অ্যালগোরিদম অনেক বেশি জ্যামিতিকভাবে অনুপ্রাণিত । একটি সম্ভাব্য মডেল ধরে নেওয়ার পরিবর্তে, আমরা একটি বিশেষ অনুকূল বিভাজক হাইপারপ্লেন সন্ধানের চেষ্টা করছি, যেখানে আমরা সমর্থন ভেক্টরগুলির প্রসঙ্গে "অনুকূলতা" সংজ্ঞায়িত করি। লজিস্টিক রিগ্রেশনটিতে আমরা পরিসংখ্যানের মডেলটির মতো সাদৃশ্যযুক্ত কিছু নেই, যদিও লিনিয়ার কেস আমাদের অনুরূপ ফলাফল দেবে: সত্যিকার অর্থেই এর অর্থ হ'ল লজিস্টিক রিগ্রেশন "প্রশস্ত মার্জিন" শ্রেণিবদ্ধ উত্পাদন করার জন্য বেশ ভাল কাজ করে, কারণ এটি সমস্ত এসভিএম চেষ্টা করছে (বিশেষত, এসভিএম ক্লাসগুলির মধ্যে মার্জিনকে "সর্বাধিক" বাড়ানোর চেষ্টা করছে)।
আমি পরে এটিতে ফিরে আসার চেষ্টা করব এবং আগাছাগুলির মধ্যে আরও গভীরভাবে নেমে যাব, আমি কোনও কিছুর মাঝখানে ঠিক সাজাই: পি