※ 引述《jikett (jikeZ)》之铭言： : 各位大神前辈好，小弟不才，最近在面试遇到一个有趣的问题， : 面试官问说data在什麽情况下会用logistic regression，什麽 : 情况下会用SVM? : 当下有点愣住，若谈boundary的特性，两个都可以透过kernel : trick转成nonlinear。印象中以前看蛮多例子都会用 : K-fold cross validation做比较，好像没有一个通则说什麽情 : 形下哪一个一定会优於另一个。 : 後来跟一个Phd朋友讨论後，也只得到说logistic regression在 : data seperable情况下，MLE会是无穷大，但在practical中并不 : 常见完全seperable的data?! : 另外有想到说loss的差异，但其实hinge loss跟logistic regression : 的loss(sigmoid+cross entropy)似乎也只有微小差异? 且loss的 : 不同似乎也不是面试官想问的data特性? : 最後只想到multi-class，LR有softmax推广到multi-class，但SVM : 也可以做1-vs-all SVMs。不晓得各位大神前辈们对於这两者的比较 : 适用於什麽样的data有什麽看法? 先谢谢各位大神前辈! 讨论一般常见的soft-margin svm和L2-regularized logistic regression 两者的解都可以由训练样本的线性组合表示(representer theorem) 但QP求解svm的对偶问题可以得到仅包含support vector的sparse solution --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.237.65.149 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1522382101.A.7FC.html