Machine learning 在sklearn中，学习线性核SVM模型和损失=铰链的SGD分类器之间的区别是什么

我看到在scikit learn中，我可以用最后3种不同的方式构建一个具有线性核的SVM分类器：

• 使用kernel='linear'参数
• 使用loss='铰链'参数

现在，我看到前两个分类器的区别在于前者是根据liblinear实现的，后者是根据libsvm实现的

---

前两个分类器与第三个分类器有何不同？

前两个分类器始终使用完整的数据，并针对这些数据点解决凸优化问题

后者可以成批处理数据，并执行梯度下降，以最小化样本分布的预期损失，假设示例是该分布的iid样本

后者通常在样本数量非常大或没有结束时使用。请注意，您可以调用

partial_fit

函数并向其提供大块数据

---

希望这能有所帮助？

一个问题是，如果我们使用铰链损失进行SDG，它会给出一个基本的性能基准，如仅使用线性核的SVC，其性能类似于使用logloss的逻辑回归。但Logistic回归比线性回归快一点。所以没有使用的意义SVC@MayukhSarkar对于您的数据，这可能是正确的，但并非总是如此。为了安全起见，最好通过不同的分类器进行测试。