Introduction complète à la prise en charge de l'algorithme de machine vectorielle (SVM)

Support Vector Machine (SVM) est un algorithme d'apprentissage supervisé puissant et adaptable utilisé pour les tâches de détection, de régression et de classification des valeurs aberrantes. Il est particulièrement efficace dans les domaines de grande dimension et est donc largement utilisé dans les tâches de classification.

L'objectif principal d'une machine à vecteurs de support (SVM) est de partitionner l'ensemble de données en un grand nombre de classes pour découvrir l'hyperplan marginal maximum (MMH), ce qui peut être effectué en deux étapes :

Étape 1 : La SVM sera dans un premier temps construit de manière itérative l'hyperplan qui distingue le mieux les catégories.

Étape 2 : Ensuite, il sélectionnera l'hyperplan qui sépare le mieux les classes.

La dimension de l'hyperplan est liée au nombre de fonctionnalités. Lorsque le nombre d’entités est de 2, l’hyperplan est une ligne. Lorsque le nombre d’entités est de 3, l’hyperplan devient un plan bidimensionnel.

Pour construire un hyperplan, une machine à vecteurs de support (SVM) utilise des vecteurs extremum comme vecteurs de support. Le but de SVM est de trouver un hyperplan idéal avec de grandes marges pour discrétiser des échantillons de différentes catégories dans un espace à n dimensions.

Python implémente la classification Support Vector Machine (SVM)

Principes importants de Support Vector Machine (SVM)

1. Vecteur de support - Le point de données le plus proche de l'hyperplan est appelé vecteur de support. Vous pouvez utiliser des vecteurs de support pour déterminer la ligne de démarcation.

2. Hyperplan - L'espace ou plan de décision qui divise un ensemble d'éléments en plusieurs catégories est appelé hyperplan.

3. Marge - la distance entre deux lignes sur les points de données les plus proches de différentes catégories.

4. Marge maximale - L'hyperplan idéal est l'hyperplan avec la plus grande marge.

Support Vector Machine (SVM) Kernel

Support Vector Machine Kernel est une fonction qui prend un espace d'entrée de faible dimension et le convertit en un espace de haute dimension, c'est-à-dire convertit un problème non séparable en un problème séparable. Il est principalement utilisé pour les problèmes de séparation non linéaire. En termes simples, le noyau effectue des transformations de données extrêmement complexes, puis détermine comment séparer les données en fonction de balises ou de sorties définies.

Avantages de la machine à vecteurs de support (SVM)

1. Efficace dans les situations de grande dimension

2 Très efficace en termes de mémoire car elle utilise un sous-ensemble de points d'entraînement appelés vecteurs de support dans la fonction de décision

3. Les fonctions de prise de décision spécifient différentes fonctions du noyau, et des noyaux personnalisés peuvent être spécifiés

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!