理工酷

公平地说，我认为SVM从来没有像宣传所说的那样好。即使在它的巅峰时期，你也可以用树的集合（比如像Adaboost这样的增强方法或者Random Forest）来超越它。 之所以有人大量宣传，是因为有人喜欢它与函数分析的联系，并且引领了所谓的“核方法”（尽管你可以用核逻辑回归和核最小二乘法获得类似的性能）。然而，我想说的是，SVM有两个很明显的缺点： 数据很难作为特征向量给出。实际上，更多的时候，数据可能是图像、视频、语音、文本/语言、音乐等等。 这里的支持向量机本身是完全没有价值的，它需要一些特征提取方法才能很好地工作，繁重的工作是通过该方法完成的（例如在图像中，SIFT-like算法），SVM得到另一种方法的输出，然后在那里进行分类。 这在10年前效果不错，但随着2012年后深度学习的发展，一切都发生了变化。从特征提取到分类，再到同时进行特征提取和分类，它的效果要好得多。 深层神经网络不仅使支持向量机变得无关紧要，而且基本上改变了传统计算机视觉或传统机器翻译的整个领域。 但是如果数据是特征向量格式呢？这种情况有时会发生。人们意识到要打败Adaboost（在其极其高效的xgboost库中）是非常困难的，因为它比核支持向量机速度快。公平地说，随机林和梯度提升一样有效，但大多数人似乎更喜欢xgboost库（可能是因为我们没有针对随机林的高效库）。 因此，随着深度神经网络和梯度增强方法的普及，支持向量机的应用变得越来越困难。在某些情况下，它可能会优于其他方法（你可以对naivebayes说同样的话），但通常情况下，它并不是最好的选择。 SVM是一个很好的算法，在机器学习的历史上发挥了很大的作用，但已经被更好的算法取代。