Преглед
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.
Support Vector Machines се намира в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение.
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.
Овладяване на опорни векторни машини
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. Support Vector Machines се намира в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение. За да изградите дълбоко разбиране, третирайте Support Vector Machines като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Support Vector Machines, първо изграждат силни концептуални модели, след което картографират тези модели към реални производствени ограничения. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Помага ви да отделите ясните технически твърдения от маркетинговия език. В същото време различни екипи могат да използват един и същ термин по различен начин, така че дефинирайте обхвата рано. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Помага ви да отделите ясните технически твърдения от маркетинговия език. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
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.
Модели на изпълнение
Поддържайте векторни машини на практика
Класификация на текст и нежелана поща, където документите имат хиляди характеристики на думи, но ограничени примери.
Класификация на текст и нежелана поща, където документите имат хиляди думи, но ограничени примери. Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Поддържайте векторни машини на практика
Класификацията на изображения върху малки набори от данни преди дълбокото обучение да стане доминиращо.
Класификацията на изображения върху малки набори от данни, преди задълбоченото обучение да стане доминиращо Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Поддържайте векторни машини на практика
Рак и класификация на генната експресия в биоинформатиката с много характеристики и малко проби.
Класификация на рака и генната експресия в биоинформатиката с много функции и малко проби Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Поддържайте векторни машини на практика
Разпознаване на ръкописни цифри, класически SVM бенчмарк за набора от данни на MNIST.
Разпознаване на ръкописни цифри, класически SVM бенчмарк за набора от данни на MNIST. Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
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.
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изберете един показател за успех и едно условие за неуспех преди тестване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Документирайте къде Support Vector Machines помага и къде по-простите методи са по-добри.
Документирайте къде Support Vector Machines помага и къде по-простите методи са по-добри. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.