SVM có thể được sử dụng để phân loại (phân biệt giữa một số nhóm hoặc lớp) và hồi quy (có được một mô hình toán học để dự đoán một cái gì đó). Chúng có thể được áp dụng cho cả các vấn đề tuyến tính và phi tuyến tính.
Cho đến năm 2006, chúng là thuật toán có mục đích chung tốt nhất cho máy học. Tôi đã cố gắng tìm một bài báo so sánh nhiều triển khai của các thuật toán được biết đến nhiều nhất: svm, mạng lưới thần kinh, cây cối, v.v. Tôi không thể thấy nó xin lỗi (bạn sẽ phải tin tôi, điều tồi tệ). Trong bài báo, thuật toán có hiệu năng tốt nhất là svm, với thư viện libsvm.
Năm 2006, Hinton đã đưa ra những kiến thức chuyên sâu và mạng lưới thần kinh. Ông đã cải thiện tình trạng hiện tại của nghệ thuật ít nhất 30%, đó là một tiến bộ rất lớn. Tuy nhiên học sâu chỉ có được hiệu suất tốt cho các bộ đào tạo lớn. Nếu bạn có một bộ đào tạo nhỏ, tôi sẽ đề nghị sử dụng svm.
Hơn nữa, bạn có thể tìm thấy ở đây một infographic hữu ích về thời điểm sử dụng các thuật toán học máy khác nhau bằng scikit-learn. Tuy nhiên, theo hiểu biết tốt nhất của tôi, không có sự thỏa thuận nào giữa cộng đồng khoa học về việc nếu một vấn đề có các tính năng X, Y và Z thì tốt hơn là sử dụng svm. Tôi sẽ đề nghị thử các phương pháp khác nhau. Ngoài ra, đừng quên rằng Svm hoặc mạng lưới thần kinh chỉ là một phương pháp để tính toán một mô hình. Nó rất quan trọng cũng như các tính năng bạn sử dụng.
supervised learning
thẻ, vì SVM cũng có thể được sử dụng trong các vấn đề học tập không được giám sát .