Note however this problem is not un

Note however this problem is not unique to kernel methods, most machine learning methods have similar problems. The hinge loss used in the SVM results in sparsity. However, often the optimal choice of kernel and regularisation parameters means you end up with all data being support vectors. If you really want a sparse kernel machine, use something that was designed to be sparse from the outset (rather than being a useful byproduct), such as the Informative Vector Machine. The loss function used for support vector regression doesn't have an obvious statistical intepretation, often expert knowledge of the problem can be encoded in the loss function, e.g. Poisson or Beta or Gaussian. Likewise in many classification problems you actually want the probability of class membership, so it would be better to use a method like Kernel Logistic Regression, rather than post-process the output of the SVM to get probabilities.

Kết quả (Việt) 1:

Lưu ý Tuy nhiên vấn đề này không phải là duy nhất cho hạt nhân phương pháp, hầu hết các phương pháp học tập máy có vấn đề tương tự. Mất bản lề được sử dụng trong các kết quả SVM trong sparsity. Tuy nhiên, thường là sự lựa chọn tối ưu của tham số hạt nhân và regularisation có nghĩa là bạn đã kết thúc với tất cả dữ liệu là hỗ trợ vectơ. Nếu bạn thực sự muốn một máy thưa thớt hạt nhân, sử dụng một cái gì đó được thiết kế để được thưa thớt từ đầu (chứ không phải là một sản phẩm phụ hữu ích), chẳng hạn như máy tính véc tơ thông tin. Mất chức năng được sử dụng để hỗ trợ vector hồi quy không có một intepretation thống kê rõ ràng, các kiến thức chuyên môn thường của vấn đề có thể được mã hóa trong các chức năng mất, ví dụ như Poisson hoặc phiên bản Beta hoặc Gaussian. Tương tự như vậy trong nhiều vấn đề phân loại bạn thực sự muốn xác suất của các thành viên lớp, do đó, nó sẽ là tốt hơn để sử dụng một phương pháp như hồi quy Logistic hạt nhân, chứ không phải là sau xử lý đầu ra của SVM để có được xác suất.

Kết quả (Việt) 2:

Lưu ý tuy nhiên vấn đề này không phải là duy nhất cho phương pháp hạt nhân, hầu hết các phương pháp học máy có vấn đề tương tự. Việc mất bản lề được sử dụng trong các kết quả trong SVM thưa thớt. Tuy nhiên, thường là sự lựa chọn tối ưu của các hạt nhân và quy tắc thông số có nghĩa là bạn kết thúc với tất cả các dữ liệu được vector hỗ trợ. Nếu bạn thực sự muốn có một máy hạt nhân thưa thớt, sử dụng cái gì đó đã được thiết kế để có thưa thớt ngay từ đầu (chứ không phải là một sản phẩm phụ hữu ích), chẳng hạn như các máy thông tin thêm Vector. Hàm tổn thất được sử dụng cho hồi quy vector hỗ trợ không có một intepretation thống kê rõ ràng, thường xuyên kiến ​​thức chuyên môn của vấn đề có thể được mã hóa trong các chức năng bị mất, ví dụ như Poisson hay Beta hoặc Gaussian. Tương tự như vậy trong nhiều vấn đề phân loại bạn thực sự muốn xác suất thành phần của lớp, do đó, nó sẽ được tốt hơn để sử dụng một phương pháp như Kernel Logistic Regression, chứ không phải là sau quá trình đầu ra của SVM để có được xác suất.