La diferencia entre un SVM y un tipo perceptrón

Question

Estoy un poco confundido con la diferencia entre una SVM y un tipo perceptrón. Permítanme tratar de resumir mi entendimiento, y por favor, siéntase libre de corregir donde yo estoy equivocado, y rellenar lo que he perdido.

1. El tipo perceptrón no se trata de optimizar la separación de la "distancia". Mientras se encuentra una hyperplane que separa los dos conjuntos, es bueno. SVM en la otra mano intenta maximizar el "vector", es decir, la distancia entre los dos más cercano enfrente de los puntos de muestreo.

2. El SVM normalmente intenta utilizar un "núcleo de la función" el proyecto de los puntos de muestreo a alta dimensión espacio para hacerlos linealmente separables, mientras que la de tipo perceptrón asume que los puntos de muestreo son linealmente separables.

Answer 1

Suena bien para mí. La gente a veces también uso de la palabra "tipo perceptrón" para referirse a el algoritmo de entrenamiento junto con el clasificador. Por ejemplo, alguien explica esto a mí en la respuesta a esta pregunta. Además, no hay nada que le impida el uso de un kernel con el tipo perceptrón, y esto es a menudo una mejor clasificador. Ver aquí para algunas diapositivas (pdf) sobre cómo implementar el kernel de tipo perceptrón.

La principal diferencia práctica entre un (kernel) de tipo perceptrón y SVM es que los perceptrones pueden ser entrenados en línea (es decir, su peso puede ser actualizado con nuevos ejemplos llegan de una en una), mientras que SVMs no puede ser. Ver esta pregunta para obtener información sobre si SVMs pueden ser entrenados en línea. Así, aunque una SVM es generalmente la mejor clasificador, perceptrones todavía puede ser útil debido a que son baratos y fáciles de re-entrenar en una situación en la que los frescos de datos de entrenamiento es que llega constantemente.