使用线性内核的svm最好用在哪里？

Question

我目前正在研究svm，并且想知道svm对线性内核的应用是什么。在我看来，它必须适用于解决线性优化问题。这是对的吗？

感谢您的回答！

Answer 1

还要补充一点：线性SVM比非线性更不容易过度拟合。您需要根据您的情况决定选择哪个内核：如果您的功能数量与训练样本相比非常大，那么只需使用线性内核;如果您的功能数量很少，但是训练样本很大，您可能还需要线性内核但尝试添加更多功能;如果你的特征数很小（10 ^ 0 - 10 ^ 3），且样本数是中间的（10 ^ 1 - 10 ^ 4），使用高斯核会更好。

据我所知，具有线性内核的SVM通常与逻辑回归相当。

Answer 2

线性内核有一些优点，但可能（在我看来）最重要的一个事实是，与非线性内核（如RBF）相比，训练通常更快。

如果您的数据集大小以千兆字节为单位，您会发现培训时间差异很大（分钟与小时数）。

Answer 3

线性内核最适用于线性可分的数据。想象一下，您的数据集只有2个功能和2个类。如果使用X和Y两个要素在图表中绘制数据集样本，您将能够看到来自不同类的样本相对于彼此的位置。

如果很容易画一条分隔两个类的行，那么线性内核对于这项工作来说非常棒：

当然，这适用于许多功能，而不仅仅是两个，渲染多维空间。但是，如果您的数据不是线性可分的，则需要使用RBF或多项式等内核将样本映射到另一个维度空间。

此外，由于线性内核不执行任何映射，因此训练分类器通常比使用其他内核更快。

Answer 4

具有线性内核的支持向量机的应用是执行分类或回归。当存在线性决策边界或线性拟合数据时，它将表现最佳，因此是线性内核。

Answer 5

带有线性内核的SVM确实是最简单的分类器之一，但如果我们在数据分布可线性分离时获得非常高的性能准确度，那就不足为奇了。

从这个意义上说，我认为你的观点是正确的。但是，您需要意识到SVM的功能在于具有更复杂的非线性内核（例如RBF）的扩展。

choosing classifiers上的一个链接。