Υποστήριξη διανυσματικά μηχανήματα
Μια μηχανή διανυσμάτων υποστήριξης (SVM) είναι ένας κλασικός αλγόριθμος που διαχωρίζει δύο ομάδες σχεδιάζοντας το ευρύτερο δυνατό όριο μεταξύ τους.
Επισκόπηση
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Βαθιά κατάδυση
Ένα SVM βρίσκει το όριο απόφασης, που ονομάζεται υπερεπίπεδο, που μεγιστοποιεί το περιθώριο, το χάσμα μεταξύ του ορίου και των πλησιέστερων σημείων δεδομένων κάθε κατηγορίας. Αυτά τα πλησιέστερα σημεία είναι τα «διανύσματα υποστήριξης» και από μόνα τους ορίζουν το όριο, γεγονός που καθιστά το μοντέλο συμπαγές και ανθεκτικό σε ακραία σημεία μακριά από την άκρη. Όταν τα δεδομένα δεν μπορούν να διαχωριστούν με ευθεία γραμμή, το κόλπο του πυρήνα τα χαρτογραφεί σε έναν χώρο υψηλότερης διάστασης όπου υπάρχει καθαρός διαχωρισμός, χωρίς ποτέ να υπολογίζει απευθείας αυτές τις συντεταγμένες. Ένα μαλακό περιθώριο επιτρέπει ορισμένες εσφαλμένες ταξινομήσεις, που ελέγχονται από μια παράμετρο C, έτσι το μοντέλο εξισορροπεί ένα μεγάλο περιθώριο έναντι των λαθών εκπαίδευσης. Τα SVM υπερέχουν όταν τα χαρακτηριστικά είναι πολλά, αλλά τα παραδείγματα είναι λίγα, όπως στην ταξινόμηση κειμένων και στη βιοπληροφορική.
Τεχνική διορατικότητα
Η μεγιστοποίηση του περιθωρίου είναι ένα κυρτό πρόβλημα βελτιστοποίησης, επομένως τα SVM έχουν ένα ενιαίο παγκόσμιο βέλτιστο, σε αντίθεση με τα νευρωνικά δίκτυα. Το κόλπο του πυρήνα αντικαθιστά τα προϊόντα κουκκίδων μεταξύ σημείων δεδομένων με μια συνάρτηση πυρήνα, όπως η συνάρτηση ακτινικής βάσης (RBF) ή ο πολυωνυμικός πυρήνας, που υπολογίζει σιωπηρά την ομοιότητα σε έναν χώρο υψηλότερης διάστασης. Αυτό επιτρέπει σε μια γραμμική μέθοδο να σχεδιάζει καμπύλα όρια φθηνά. Δύο υπερπαράμετροι κυριαρχούν στον συντονισμό: η C, η οποία ανταλλάσσει το πλάτος του περιθωρίου έναντι των σφαλμάτων, και το γάμμα στον πυρήνα RBF, που καθορίζει πόσο μακριά φτάνει η επιρροή κάθε σημείου.
Στρατηγικός αντίκτυπος
Σαφέστερες αποφάσεις
Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
Κόστος και προϋπολογισμός
Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
Ομάδα και ροή εργασίας
Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
The Future of Support Vector Machines
Τα SVM έχουν ξεπεραστεί σε μεγάλο βαθμό από τα δέντρα βαθιάς μάθησης και ενίσχυσης κλίσης για μεγάλα, πολύπλοκα σύνολα δεδομένων, αλλά παραμένουν μια αξιόπιστη επιλογή όταν τα δεδομένα είναι σπάνια, υψηλών διαστάσεων ή χρειάζονται μια ισχυρή, καλά κατανοητή γραμμή βάσης. Παραμένουν κοινά στη διδασκαλία, στις εργασίες βιοπληροφορικής και κειμένου και σε ρυθμίσεις περιορισμένων πόρων, όπου ένα μικρό, γρήγορο μοντέλο νικάει ένα βαρύ δίκτυο. Αναμένετε ότι τα SVM θα παραμείνουν ως ένα αξιόπιστο κλασικό εργαλείο και ως σημείο αναφοράς και όχι ως όριο νέας έρευνας.
Υλοποίηση σε πραγματικό κόσμο
Ταξινόμηση κειμένων και ανεπιθύμητων μηνυμάτων, όπου τα έγγραφα έχουν χιλιάδες χαρακτηριστικά λέξεων αλλά περιορισμένα παραδείγματα.
Ταξινόμηση εικόνων σε μικρά σύνολα δεδομένων πριν γίνει κυρίαρχη η βαθιά μάθηση.
Ταξινόμηση καρκίνου και γονιδιακής έκφρασης στη βιοπληροφορική με πολλά χαρακτηριστικά και λίγα δείγματα.
Χειρόγραφη αναγνώριση ψηφίων, ένα κλασικό σημείο αναφοράς SVM στο σύνολο δεδομένων MNIST.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Οδικός Χάρτης Εφαρμογής
Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
Τεκμηριώστε πού βοηθά το Support Vector Machines και πού είναι καλύτερες οι απλούστερες μέθοδοι.
Συνεχίστε την εξερεύνηση
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
Επόμενος οδηγός
Βασικά στοιχεία μηχανικής μάθησης
Συχνές ερωτήσεις
What is Support Vector Machines?
Μια μηχανή διανυσμάτων υποστήριξης (SVM) είναι ένας κλασικός αλγόριθμος που διαχωρίζει δύο ομάδες σχεδιάζοντας το ευρύτερο δυνατό όριο μεταξύ τους. Ήταν ένας από τους πιο ισχυρούς ταξινομητές πριν από τη βαθιά εκμάθηση και εξακολουθεί να είναι ισχυρός σε μικρά, καθαρά σύνολα δεδομένων.
Τι προσπαθεί να μεγιστοποιήσει μια μηχανή διανυσμάτων υποστήριξης;
Ένα SVM βρίσκει το υπερεπίπεδο που μεγιστοποιεί το περιθώριο, την απόσταση από τα πλησιέστερα σημεία κάθε κατηγορίας, για τον πιο ισχυρό διαχωρισμό.
Ποια είναι τα «διανύσματα υποστήριξης» σε ένα SVM;
Μόνο τα πλησιέστερα στο όριο σημεία, τα διανύσματα στήριξης, καθορίζουν το υπερεπίπεδο. άλλα σημεία μπορούν να μετακινηθούν χωρίς να το αλλάξουν.
Τι πρόβλημα λύνει το κόλπο του πυρήνα;
Το τέχνασμα του πυρήνα αντιστοιχίζει σιωπηρά δεδομένα σε έναν χώρο υψηλότερης διάστασης όπου λειτουργεί ένα ευθύ όριο, επιτρέποντας τους καμπυλωτούς διαχωρισμούς φθηνά.
Τι ελέγχει η παράμετρος C σε ένα SVM soft margin;
Το C ισορροπεί έχοντας μεγάλο περιθώριο έναντι του επιτρεπόμενου ορισμένων λαθών εκπαίδευσης. μικρό C σημαίνει ευρύτερο, πιο ανεκτικό περιθώριο.
Ποιος πυρήνας χρησιμοποιείται συνήθως για τη δημιουργία ευέλικτων, καμπύλων ορίων;
Ο πυρήνας RBF (Gaussian) είναι μια δημοφιλής προεπιλογή που μετρά την ομοιότητα με βάση την απόσταση, επιτρέποντας ομαλά μη γραμμικά όρια.