我目前正在做一个项目，我应该比较 SVM 与 RVM 的效率，似乎有很多关于 RVM 的信息需要收集，而我发现关于 RVM 的文档相当旧。这是我第一次使用这个论坛，所以我希望我的问题不是题外话，但我的问题是：
1) 哪些数据集更适合这两个模型，每个模型的优点/缺点是什么？2）如上所述，我找到的关于 SVM 的文章都比较老了，我目前对 SVM 的最新应用以及它们的实现方式和位置很好奇。
高度赞赏来源或只是标准响应。提前致谢
SVM vs RVM，什么时候用什么？
数据挖掘
支持向量机
2021-09-18 14:35:00
1个回答
RVM 与 SVM 相同，但提供了分数的概率分布。
RVM：
优点：
RVM 在准确性方面优于 SVM。（取决于训练数据的大小），更多的训练数据意味着 RVM 的准确性更高。（在论文 [ 1 ]中进行了论证和实验展示）
因为它提供了分数的概率分布，而不是点估计。它提供了多种选项来从贝叶斯推理中获得点估计，例如百分位数、平均值、中位数、平均值。
缺点：
- 由于它使用 EM 算法进行学习，因此可能会陷入局部最小值。
- 学习需要大数据
支持向量机：
优点：
- 标准 SVM 是一个凸优化问题（硬和软），因此它们总是产生唯一的解决方案，即收敛到全局最优。
关于这一点有一篇非常好的论文。您可以在此处获取更多详细信息：
[1] (PDF)相关向量机与支持向量机在不确定性分析中的比较研究。，于 2019 年 1 月 8 日访问。
其它你可能感兴趣的问题