Detaillierte Erläuterung des SVM-Algorithmus

Die SVM-Methode ordnet den Probenraum durch eine nichtlineare Abbildung p in einen hochdimensionalen oder sogar unendlichdimensionalen Merkmalsraum (Hilbert-Raum) ab, so dass in der ursprünglichen Probe Nichtlinear trennbare Probleme im Raum werden in linear trennbare Probleme im Merkmalsraum umgewandelt. (Empfohlenes Lernen: phpstorm )

Vereinfacht ausgedrückt ist es Lift und linear.

Dimensionsverbesserung besteht darin, Proben einem hochdimensionalen Raum zuzuordnen. Im Allgemeinen erhöht dies die Komplexität der Berechnungen und führt sogar zu einer „Dimensionalitätskatastrophe“, sodass die Leute selten darauf achten.

Bei Problemen wie Klassifizierung und Regression ist es jedoch sehr wahrscheinlich, dass ein Stichprobensatz, der in einem niedrigdimensionalen Stichprobenraum nicht linear verarbeitet werden kann, durch eine lineare Hyperebene in einem linear geteilt (oder regressiert) werden kann hochdimensionaler Merkmalsraum.

SVM (Support Vector Machine), dessen chinesischer Name Support Vector Machine ist, ist eine gängige Unterscheidungsmethode. Im Bereich des maschinellen Lernens handelt es sich um ein überwachtes Lernmodell, das üblicherweise zur Mustererkennung, Klassifizierung und Regressionsanalyse verwendet wird.

Verwandte Konzepte

Klassifikator: Ein Klassifikator ist ein Algorithmus, der anhand der Daten einer Probe bestimmt, zu welcher Kategorie die Probe gehört. Bei der Vorhersage von Aktienanstiegen und -rückgängen gehen wir beispielsweise davon aus, dass das Handelsvolumen und der Schlusskurs des Vortages einen Einfluss auf den Anstieg und Rückgang des nächsten Tages haben. Dann sagt der Klassifikator den Anstieg und Rückgang des nächsten Tages voraus Handelsvolumen und Schlusskurs des Beispielalgorithmus.

Merkmale: Bei Klassifizierungsproblemen werden die in den Klassifikator eingegebenen Daten als Merkmale bezeichnet. Am Beispiel des obigen Problems zur Vorhersage von Aktienanstiegen und -abfällen sind die Merkmale das Handelsvolumen und der Schlusskurs des Vortages.

Linearer Klassifikator: Ein linearer Klassifikator ist eine Art Klassifikator. Das heißt, die Grundlage für die Bestimmung des Klassifizierungsergebnisses wird durch die lineare Kombination von Merkmalen erhalten und kann nicht auf den nichtlinearen Operationsergebnissen der Merkmale basieren. Am Beispiel des obigen Problems der Aktienanstiegs- und -rückgangsvorhersage kann die Grundlage für die Beurteilung nur die lineare Kombination des Handelsvolumens und des Schlusskurses des Vortages sein. Das Handelsvolumen und der Schlusskurs können nicht quadriert oder quadriert werden.

Ursprung des linearen Klassifikators

In praktischen Anwendungen stoßen wir häufig auf ein solches Problem: Bei bestimmten Datenpunkten gehören sie zu zwei verschiedenen Klassen. Jetzt müssen wir sie finden ein linearer Klassifikator, um diese Daten in zwei Kategorien zu klassifizieren.

Wie teilt man es auf? Teilen Sie den gesamten Raum in zwei Hälften (erinnert mich an Pangu). Nehmen Sie als Beispiel den zweidimensionalen Raum. Wie in der Abbildung oben gezeigt, verwenden wir eine gerade Linie, um den Raum zu schneiden. Die Punkte auf der linken Seite der geraden Linie gehören zur Kategorie -1 (dargestellt durch Dreiecke). auf der rechten Seite der Geraden gehören zur Kategorie 1 (dargestellt durch Quadrate).

Wenn Sie die mathematische Sprache verwenden, ist es so: Der Raum ist ein zweidimensionaler Raum, der aus X1 und X2 besteht. Die Gleichung einer geraden Linie lautet X1+X2 = 1, was in Vektornotation ausgedrückt wird [1,1]^ {T}[X1,X2]-1=0. Der Punkt x auf der linken Seite der Linie bedeutet, dass das berechnete Ergebnis kleiner als 0 ist, wenn x auf der linken Seite der Gleichung platziert wird. Auf die gleiche Weise wird auf der rechten Seite x in die linke Seite der Gleichung eingesetzt und das berechnete Ergebnis ist größer als 0.

Das obige ist der detaillierte Inhalt vonDetaillierte Erläuterung des SVM-Algorithmus. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!