4
약어 SVM(Support Vector Machines)과 SVD(Singular Value Decomposition)을 알고 있으며 권장 엔진에서는 SVM, SVD가 모두 사용됩니다.SVD와 SVM의 차이점
이 두 알고리즘의 차이점은 무엇이며 내 추천 엔진에 어떤 영향을 미칩니 까?
A
답변
3
SVD 및 SVM은 내부적으로 다른 방식으로 문제를 해결합니다.
SVD는 기본적으로 데이터 밀도를 높이는 차원 감소 기술입니다. 일반적인 기계 학습에서 SVD는 종종 전처리 단계로 사용됩니다. 권장 사항에는 SVD와 유사한 많은 매트릭스/텐서 인수 분해 기술이 있지만 종종 다른 목적 함수 (예 : 그들은 overfitting을 방지하기 위해 정규화 용어를 포함합니다 (훈련 데이터에서 실제 예측으로 더 잘 일반화하기 위해). 그들은 종종 SVD라고 불리우거나 그 이름에 "SVD"를 포함하지만 수학자가 SVD로 이해하는 것과 정확히 일치하지는 않습니다.
SVM은 분류 자의 일종입니다. 권장 시스템에서는 SVM을 사용하여 사용자 (또는 사용자 그룹)별로 하나의 분류자를 교육 할 수 있습니다.이 분류 기준은 제품의 속성에 따라 사용자가 제품을 구매할지 여부를 결정합니다. 물론 naive bayes, logistic regression, decision trees 같은 다른 분류자를 사용할 수도 있습니다.
안녕하세요 저는 권장 알고리즘 엔진에서 작업 중이며 이러한 알고리즘 중 하나를 사용하면 어떤 차이가 있는지 알고 싶습니다. –
어떤 종류의 데이터를 엔진에 공급합니까? 가장 일반적인 경우 (사용자 항목 상호 작용, 콜드 스타트 문제 없음)에는 kNN 또는 행렬 인수 분해와 같은 CF 기술을 사용하는 것이 가장 좋습니다. SVD 자체가 아닙니다. – zenog