SVM(지원 벡터 머신) 알고리즘에 대한 종합 소개

지원 벡터 머신(SVM)은 이상값 감지, 회귀 및 분류 작업에 사용되는 강력하고 적응 가능한 지도 학습 알고리즘입니다. 특히 고차원 영역에서 효과적이므로 분류 작업에 널리 사용됩니다.

SVM(서포트 벡터 머신)의 주요 목적은 데이터 세트를 다수의 클래스로 분할하여 MMH(최대 한계 초평면)를 찾는 것입니다. 이 작업은 두 단계로 수행할 수 있습니다.

1단계: SVM 처음에는 카테고리를 가장 잘 구별하는 초평면을 반복적으로 구축합니다.

2단계: 그런 다음 클래스를 가장 잘 구분하는 초평면을 선택합니다.

초평면의 차원은 특징의 수와 관련이 있습니다. 특징 수가 2이면 초평면은 선입니다. 특징 개수가 3개인 경우 초평면은 2차원 평면이 됩니다.

초평면을 구성하기 위해 SVM(서포트 벡터 머신)은 극한 벡터를 서포트 벡터로 활용합니다. SVM의 목표는 n차원 공간에서 다양한 범주의 샘플을 이산화하기 위해 마진이 큰 이상적인 초평면을 찾는 것입니다.

Python은 SVM(서포트 벡터 머신) 분류를 구현합니다

SVM(서포트 벡터 머신)의 중요한 원칙

1 서포트 벡터 - 초평면에 가장 가까운 데이터 포인트를 서포트 벡터라고 합니다. 서포트 벡터를 사용하여 구분선을 결정할 수 있습니다.

2. 초평면 - 항목 세트를 여러 범주로 나누는 공간 또는 결정 평면을 초평면이라고 합니다.

3. 여백 - 서로 다른 카테고리의 가장 가까운 데이터 포인트에 있는 두 선 사이의 거리입니다.

4. 최대 마진 - 이상적인 초평면은 가장 큰 마진을 갖는 초평면입니다.

Support Vector Machine(SVM) 커널

Support Vector Machine 커널은 저차원 입력 공간을 가져와 고차원 공간으로 변환하는 함수, 즉 분리할 수 없는 문제를 분리 가능한 문제로 변환하는 함수입니다. 주로 비선형 분리 문제에 사용됩니다. 간단히 말해서, 커널은 매우 복잡한 데이터 변환을 수행한 다음 정의된 태그 또는 출력을 기반으로 데이터를 분리하는 방법을 파악합니다.

SVM(서포트 벡터 머신)의 장점

1. 고차원 상황에서 효과적입니다.

2. 의사결정 함수에서 서포트 벡터라는 훈련 포인트의 하위 집합을 사용하므로 메모리 효율성이 매우 높습니다. 의사결정 기능은 다양한 커널 기능을 지정하고 사용자 정의 커널을 지정할 수 있습니다

위 내용은 SVM(지원 벡터 머신) 알고리즘에 대한 종합 소개의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!