Mesin Vektor Sokongan (SVM) ialah algoritma pembelajaran seliaan yang berkuasa dan boleh disesuaikan yang digunakan untuk tugas pengesanan, regresi dan pengelasan yang lebih luar. Ia amat berkesan dalam domain dimensi tinggi dan oleh itu digunakan secara meluas dalam tugas pengelasan.
Tujuan utama Mesin Vektor Sokongan (SVM) adalah untuk membahagikan set data ke dalam sebilangan besar kelas untuk menemui Hyperplane Marginal Maksimum (MMH), yang boleh dilakukan dalam dua langkah:
Langkah 1: SVM pada mulanya akan dibina secara lelaran Hyperplane yang paling membezakan kategori.
Langkah 2: Kemudian ia akan memilih hyperplane yang paling baik memisahkan kelas.
Dimensi hyperplane adalah berkaitan dengan bilangan ciri. Apabila bilangan ciri ialah 2, hyperplane ialah garis. Apabila bilangan ciri ialah 3, satah hiper menjadi satah dua dimensi.
Untuk membina hyperplane, mesin vektor sokongan (SVM) menggunakan vektor ekstrem sebagai vektor sokongan. Matlamat SVM adalah untuk mencari hyperplane yang ideal dengan margin besar untuk mendiskrisikan sampel kategori berbeza dalam ruang dimensi-n.
Python melaksanakan klasifikasi Mesin Vektor Sokongan (SVM)
1. Titik data yang paling hampir dengan hyperplane dipanggil vektor sokongan. Anda boleh menggunakan vektor sokongan untuk menentukan garis pemisah.
2 Hyperplane - Ruang atau satah keputusan yang membahagikan set item kepada beberapa kategori dipanggil hyperplane.
3 Margin - jarak antara dua baris pada titik data terdekat dari kategori berbeza.
4. Margin maksimum-Hiperplane yang ideal ialah hyperplane dengan margin terbesar.
Sokongan Vector Machine Kernel ialah fungsi yang mengambil ruang input berdimensi rendah dan menukarnya kepada ruang berdimensi tinggi, iaitu menukar masalah yang tidak boleh dipisahkan kepada masalah yang boleh dipisahkan. Ia digunakan terutamanya untuk masalah pemisahan tak linear. Ringkasnya, kernel melakukan beberapa transformasi data yang sangat kompleks dan kemudian memikirkan cara memisahkan data berdasarkan tag atau output yang ditentukan.
1. Berkesan dalam situasi berdimensi tinggi
2 Sangat cekap memori kerana ia menggunakan subset titik latihan yang dipanggil vektor sokongan dalam fungsi keputusan
3 membuat keputusan Fungsi menentukan fungsi kernel yang berbeza, dan kernel tersuai boleh ditentukan
Atas ialah kandungan terperinci Pengenalan komprehensif untuk menyokong algoritma mesin vektor (SVM).. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!