在sklearn中，具有线性内核的SVM模型与具有loss = hinge的SGD分类器之间的区别是什么

Question

我在scikit-learn中看到我可以用最后3种不同的方式构建一个带线性内核的SVM分类器：

• LinearSVC
• SVC，内核='线性'参数
• Stochastic Gradient Descent with loss ='hinge'参数

现在，我看到前两个分类器之间的区别在于前者是用liblinear实现的，后者是用libsvm实现的。

前两个分类器与第三个分类器有何不同？

Answer 1

前两个总是使用完整数据并解决与这些数据点相关的凸优化问题。

后者可以批量处理数据并执行梯度下降，目的是最小化相对于样本分布的预期损失，假设示例是该分布的iid样本。

后者通常在样本数量很大或没有结束时使用。请注意，您可以调用partial_fit函数并提供数据块。

希望这有帮助吗？