ทำไมการตีความ SVM จึงเป็นความผิดประเภท

ความเข้าใจของฉันเกี่ยวกับ SVM คือมันคล้ายกับการถดถอยโลจิสติกส์ (LR) นั่นคือผลรวมถ่วงน้ำหนักของคุณสมบัติถูกส่งผ่านไปยังฟังก์ชัน sigmoid เพื่อให้ได้โอกาสในการเป็นสมาชิกของชั้นเรียน แต่แทนที่จะเป็นการสูญเสียข้ามเอนโทรปี ฟังก์ชั่นการฝึกอบรมจะดำเนินการโดยใช้การสูญเสียบานพับ ประโยชน์ของการใช้การสูญเสียบานพับคือเราสามารถทำเทคนิคตัวเลขต่าง ๆ เพื่อให้เคอร์เนลมีประสิทธิภาพมากขึ้น อย่างไรก็ตามข้อเสียเปรียบคือโมเดลที่ได้นั้นมีข้อมูลน้อยกว่าโมเดล LR ที่สอดคล้องกัน ตัวอย่างเช่นหากไม่มีเคอร์เนล (โดยใช้เคอร์เนลเชิงเส้น) ขอบเขตการตัดสินใจ SVM จะยังคงอยู่ในตำแหน่งเดิมที่ LR จะส่งออกความน่าจะเป็นที่ 0.5 แต่คนหนึ่งไม่สามารถบอกได้ว่าความน่าจะเป็นของการสลายตัวของคลาสนั้น ขอบเขตการตัดสินใจ

คำถามสองข้อของฉันคือ:

1. การตีความของฉันถูกต้องหรือไม่
2. การใช้การสูญเสียบานพับทำให้ไม่ถูกต้องในการตีความผลลัพธ์ SVM ว่าเป็นความน่าจะเป็นอย่างไร

$\mathbf{x}$$\mathbf{\beta}$$\beta_0$$y = sign(\beta \cdot \mathbf{x} + \beta_0)$$\beta, \beta_0$

ในกรณีของ SVM แบบเส้นตรง (ไม่มีเคอร์เนล) ขอบเขตการตัดสินจะคล้ายกับแบบจำลองการถดถอยโลจิสติก แต่อาจแตกต่างกันไปขึ้นอยู่กับความแรงของการทำให้เป็นมาตรฐานที่คุณใช้เพื่อให้พอดีกับ SVM เนื่องจาก SVM และ LR แก้ปัญหาการเพิ่มประสิทธิภาพที่แตกต่างกันคุณจึงไม่รับประกันว่าจะมีวิธีแก้ไขปัญหาที่เหมือนกันสำหรับขอบเขตการตัดสินใจ

มีทรัพยากรมากมายเกี่ยวกับ SVM ซึ่งจะช่วยชี้แจงสิ่งต่าง ๆ : นี่คือตัวอย่างหนึ่งและอีกอันหนึ่ง