Я вижу, что в scikit-learn я могу построить классификатор SVM с линейным ядром в 3 разных способах:
Теперь я вижу, что разница между первыми двумя классификаторами заключается в том, что первая реализована в терминах liblinear, а вторая - в libsvm.
Как первые два классификатора отличаются от третьего?
Первые два всегда используют полные данные и решают проблему выпуклой оптимизации в отношении этих точек данных.
Последний может обрабатывать данные партиями и выполнять градиентный спуск, чтобы минимизировать ожидаемые потери в отношении распределения выборки, предполагая, что примеры являются примерами iid этого распределения.
Последнее обычно используется, когда количество образцов очень велико или не заканчивается. Обратите внимание, что вы можете вызвать функцию partial_fit и передать его кускам данных.
Надеюсь это поможет?