如果我向您提供的数据足以将一堆物体分类为苹果、橙子或香蕉，那么您需要多长时间才能构建一个可以进行分类的 SVM？我知道这可能取决于数据的性质，但我们更有可能谈论几个小时、几天还是几周？
好的。现在您已经拥有了 SVM，并且了解了数据的行为方式，那么升级该 SVM(或构建新的 SVM)来对额外的类别(西红柿)进行分类可能需要多长时间？秒？分钟？几小时？
这个问题的动机是试图评估支持向量机在并非所有数据都可以随时采样的情况下的实际适用性。水果就是一个明显的例子 - 它们的颜色和可用性会随着季节的变化而变化。
如果您认为 SVM 过于繁琐，无法在 5 分钟内按需创建，尽管在问题域方面有经验，那么针对这种情况提供一种更用户友好的分类器形式的建议将不胜感激。
最佳答案
通常，将类添加到一对多 SVM 分类器需要重新训练所有类。如果数据集很大，这可能会非常昂贵。在现实世界中，当面对非常大的数据集时，如果性能和灵 active 比最先进的准确性更重要，那么朴素贝叶斯的使用相当广泛(向NB分类器添加一个类只需要训练新类)。
但是，根据您的评论，数据有几十个维度，最多有上千个样本，问题相对较小，所以实际上，SVM 重新训练可以非常快地执行(可能是几秒的量级)几十秒)。
关于machine-learning - 支持向量机的创建/更新有多容易/快速？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15215314/