Doğrusal SVM'ler ve lojistik regresyon genellikle pratikte karşılaştırmalı olarak gerçekleştirilir. Verilerinizin doğrusal olarak ayrılmayacağına inanmak için bir nedeniniz varsa SVM'yi doğrusal olmayan bir çekirdeğe sahip kullanın (veya aykırı değerler için LR'nin normalde tolere edebileceğinden daha sağlam olmanız gerekir). Aksi halde, önce lojistik regresyonu deneyin ve bu basit modelle nasıl yaptığınızı görün. Lojistik regresyon başarısız olursa, RBF gibi doğrusal olmayan bir çekirdeğe sahip bir SVM'yi deneyin.
DÜZENLE:
Tamam, nesnel işlevlerin nereden geldiği hakkında konuşalım.
Lojistik regresyon genelleştirilmiş doğrusal regresyondan gelir. Bu bağlamda lojistik regresyon amacı fonksiyonunun iyi bir tartışmasını burada bulabilirsiniz: https://stats.stackexchange.com/a/29326/8451
Destek Vektör Makineleri algoritması çok daha geometrik olarak motive edilir . Olasılıklı bir model varsaymak yerine, destek vektörleri bağlamında "iyiliği" tanımladığımız belirli bir optimal ayırma hiper düzlemi bulmaya çalışıyoruz. Buradaki lojistik regresyonda kullandığımız istatistiksel modele benzeyen hiçbir şeyimiz yok, doğrusal durum bize benzer sonuçlar verse de: gerçekten bu sadece lojistik regresyonun "geniş marjlı" sınıflandırıcıları üretmek için oldukça iyi bir iş çıkardığı anlamına geliyor, çünkü tüm SVM'ler yapmaya çalışıyor (özellikle, SVM sınıflar arasındaki boşluğu "maksimize etmeye" çalışıyor).
Daha sonra tekrar gelip yabani otların derinliklerine biraz daha girmeye çalışacağım, sadece bir şeyin ortasındayım: p