使用相同的训练/测试集时，逻辑回归，神经网络和SVM能否提供相同的准确度？如果是这样，为什么？

Question

我使用了具有相同训练和测试集的三种算法。但是我对所有这些都得到了同样精确的平均准确度。对于为什么我这样做有什么好的解释。我读到它可能与使用的类有关可能被认为是容易的。

Answer 1

发生这种情况有点奇怪，但我必须对你的问题做出假设：

1. MLP架构由n个输入和一个隐藏的神经元和m输出组成。
2. 您使用线性内核作为SVM
3. 您的测试和训练数据可以线性分离。

如果1.为真，则您的网络等于逻辑回归，并且您的数据由一条线分开，该线通向3.也是2.因为您不需要内核函数来分隔数据。 / p>

因此，奇怪的是，SVM将分类器的决策边界的计算转换为凸优化问题，以求解最优边界。 Logistic回归和MLP都无法做到这一点。因此，您的测试数据必须非常容易分离，并且必须在决策边界上留下比训练数据更大的余量。这样，没有必要在类之间有一个最佳边距，并且任何边界将没有错误的类分开就足够了。

Answer 2

如果问题很简单，他们都可以提供相同的性能。没有什么可以阻止他们给你相同的结果。