Si potrebbe anche dare un'occhiata a maxent classifiers (/log linear models).
Sono molto popolari per problemi di NLP. Le moderne implementazioni, che utilizzano metodi quasi-newton per l'ottimizzazione piuttosto che gli algoritmi di ridimensionamento iterativo più lenti, si allenano più rapidamente degli SVM. Sembrano anche essere less sensitive al valore esatto dell'iperparametro di regolarizzazione. Probabilmente dovresti preferire solo gli SVM al massimo, se vuoi usare un kernel per ottenere le congiunzioni delle funzionalità gratuitamente.
Per quanto riguarda gli SVM rispetto alle reti neurali, l'utilizzo di SVM sarebbe probabilmente migliore rispetto all'utilizzo di ANNs. Come i modelli massimi, la formazione degli SVM è un problema di ottimizzazione convessa. Ciò significa che, dati un set di dati e una particolare configurazione di classificatore, gli SVM troveranno costantemente la stessa soluzione. Quando si addestrano reti neurali multistrato, il sistema può convergere in vari minimi locali. Quindi, otterrete soluzioni migliori o peggiori a seconda dei pesi che utilizzate per inizializzare il modello.Con le RNA, è necessario eseguire più esecuzioni di allenamento al fine di valutare l'aspetto positivo o negativo di una determinata configurazione del modello.
Potete aiutarmi ancora un po 'su cosa usare esattamente? – Arc
@Akrid Ho aggiornato il mio commento ... ti aiuta o hai bisogno di maggiori informazioni? – Kiril
Grazie mille Lirik – Arc