Поддържащи векторни машини
Машината за поддържащи вектори (SVM) е класически алгоритъм, който разделя две групи чрез начертаване на възможно най-широката граница между тях.
Преглед
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Дълбоко гмуркане
SVM намира границата на решението, наречена хиперравнина, която максимизира маржа, празнината между границата и най-близките точки от данни от всеки клас. Тези най-близки точки са „опорните вектори“ и те сами определят границата, което прави модела компактен и устойчив на отклонения далеч от ръба. Когато данните не могат да бъдат разделени по права линия, трикът на ядрото ги картографира в пространство с по-високо измерение, където съществува чисто разделяне, без изобщо да изчислява тези координати директно. Мекият марж позволява някои грешни класификации, контролирани от параметър C, така че моделът балансира широк марж срещу грешки при обучение. SVM превъзхождат, когато функциите са много, но примерите са малко, като например при класификация на текст и биоинформатика.
Техническа информация
Максимизирането на маржа е проблем с изпъкнала оптимизация, така че SVM имат един глобален оптимум, за разлика от невронните мрежи. Трикът на ядрото заменя точковите продукти между точките от данни с функция на ядрото, като например радиалната базисна функция (RBF) или полиномиалното ядро, което имплицитно изчислява сходството в пространство с по-високо измерение. Това позволява линеен метод да начертае извити граници евтино. Два хиперпараметъра доминират при настройката: C, който търгува между ширината на полето и грешките, и гамата в RBF ядрото, която задава докъде достига влиянието на всяка точка.
Стратегическо въздействие
Clearer decisions
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Cost and budget
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Team and workflow
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Бъдещето на опорните векторни машини
SVM до голяма степен са изпреварени от задълбочено обучение и подсилени с градиент дървета за големи, сложни набори от данни, но те остават надежден избор, когато данните са оскъдни, с голямо измерение или се нуждаят от силна, добре разбрана базова линия. Те остават често срещани в преподаването, в биоинформатиката и текстовите задачи, както и в настройки с ограничени ресурси, където малък, бърз модел побеждава тежка мрежа. Очаквайте SVM да се запазят като надежден класически инструмент и еталон, а не като граница на нови изследвания.
Внедряване в реалния свят
Класификация на текст и нежелана поща, където документите имат хиляди характеристики на думи, но ограничени примери.
Класификацията на изображения върху малки набори от данни преди дълбокото обучение да стане доминиращо.
Рак и класификация на генната експресия в биоинформатиката с много характеристики и малко проби.
Разпознаване на ръкописни цифри, класически SVM бенчмарк за набора от данни на MNIST.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Документирайте къде Support Vector Machines помага и къде по-простите методи са по-добри.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Support Vector Machines quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Основи на машинното обучение
Frequently asked questions
What is Support Vector Machines?
Машината за поддържащи вектори (SVM) е класически алгоритъм, който разделя две групи чрез начертаване на възможно най-широката граница между тях. Това беше един от най-мощните класификатори преди дълбокото обучение и все още е силен при малки, чисти набори от данни.
Какво се опитва да максимизира една опорна векторна машина?
SVM намира хиперравнината, която максимизира границата, разстоянието до най-близките точки от всеки клас, за най-стабилното разделяне.
Какви са „поддържащите вектори“ в SVM?
Само точките, които са най-близо до границата, опорните вектори, определят хиперравнината; други точки могат да се движат, без да го променят.
Какъв проблем решава трикът на ядрото?
Трикът на ядрото имплицитно картографира данните в пространство с по-високо измерение, където работи права граница, позволявайки евтино извити разделяния.
Какво контролира параметърът C в SVM с мек марж?
С баланси, имащи голям резерв срещу допускане на някои грешки при обучението; малко C означава по-широк, по-толерантен марж.
Кое ядро обикновено се използва за създаване на гъвкави, извити граници?
Ядрото RBF (Gaussian) е популярно по подразбиране, което измерва сходството въз основа на разстоянието, което позволява плавни нелинейни граници.