Алгоритм SVM довольно старый - он был разработан в 1960-х годах, но был чрезвычайно популярен в 1990-х и 2000-х годах. Это классическая (и довольно красивая) часть курсов машинного обучения.
Сегодня кажется, что в медиа-обработке (изображения, звук и т. Д.) Нейронные сети полностью доминируют, в то время как в других областях Gradient Boosting имеет очень сильные позиции.
Кроме того, в недавних соревнованиях данных я не вижу решений на основе SVM.
Я ищу примеры приложений, в которых SVM по-прежнему дает самые современные результаты (по состоянию на 2016 год).
Обновление: я хотел бы привести пример, который я могу привести, например, студентам / коллегам при объяснении SVM, чтобы он не выглядел как чисто теоретический или устаревший подход.
machine-learning
svm
Alleo
источник
источник
Ответы:
Согласно статье « Нужны ли сотни классификаторов для решения проблем классификации в реальном мире? SVM вместе с машинами случайного леса и градиентной загрузки являются одними из самых эффективных алгоритмов классификации для большого набора из более чем 120 наборов данных (с использованием точности в качестве метрики).
Я повторил их эксперименты с некоторыми модификациями, и я получаю, что эти три классификатора работают лучше, чем другие, но, как утверждает теорема об отсутствии бесплатного обеда , всегда есть проблема, когда какой-то другой алгоритм работает лучше, чем эти три.
Так что да, я бы сказал, что SVM (с ядром Гаусса - это то, что я использовал) по-прежнему актуален для наборов данных, не связанных со средой.
источник