Támogatja a vektoros gépeket
A támogatási vektorgép (SVM) egy klasszikus algoritmus, amely úgy választ el két csoportot, hogy a lehető legszélesebb határt húzza közöttük.
Áttekintés
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Mély merülés
Az SVM megtalálja a döntési határt, az úgynevezett hipersíkot, amely maximalizálja a margót, a rést a határ és az egyes osztályok legközelebbi adatpontjai között. Ezek a legközelebbi pontok a „támasz vektorok”, és egyedül ezek határozzák meg a határt, ami kompaktsá és ellenállóvá teszi a modellt a széltől távoli kiugró értékekkel szemben. Ha az adatokat nem lehet egyenes vonallal felosztani, a kerneltrükk leképezi azokat egy magasabb dimenziós térbe, ahol tiszta szétválasztás létezik, anélkül, hogy ezeket a koordinátákat közvetlenül kiszámolná. A lágy margó lehetővé tesz néhány téves besorolást, amelyet egy C paraméter vezérel, így a modell széles határt tesz ki a képzési hibákkal szemben. Az SVM-ek kiválóak, ha sok a szolgáltatás, de kevés a példa, például a szöveges osztályozás és a bioinformatika terén.
Technikai betekintés
A margó maximalizálása konvex optimalizálási probléma, ezért az SVM-eknek egyetlen globális optimumuk van, ellentétben a neurális hálózatokkal. A kerneltrükk az adatpontok közötti pontszorzatokat kernelfüggvénnyel helyettesíti, például radiális bázisfüggvénnyel (RBF) vagy polinomiális kernellel, amely implicit módon számítja ki a hasonlóságot egy magasabb dimenziós térben. Ez lehetővé teszi, hogy egy lineáris módszer olcsón húzzon görbe határokat. Két hiperparaméter uralja a hangolást: a C, amely a margó szélességét a hibákkal ellensúlyozza, és a gamma az RBF kernelben, amely beállítja, hogy az egyes pontok befolyása meddig érjen el.
Stratégiai hatás
Tisztább döntések
Segít elkülöníteni a világos technikai állításokat a marketing nyelvezettől.
Költség és költségvetés
Feltehet jobb végrehajtási kérdéseket, mielőtt pénzt vagy időt költene.
Csapat és munkafolyamat
A közös tudással rendelkező csapatok jobb döntéseket hoznak a termékekkel, irányelvekkel és tanulással kapcsolatban.
A támogató vektorgépek jövője
Az SVM-eket nagyrészt lehagyták a mély tanulással és a gradiens-növelt fákkal a nagy, összetett adatkészletek esetében, de továbbra is megbízható választás marad, ha az adatok szűkösek, nagy dimenziójúak, vagy erős, jól érthető alapvonalra van szükségük. Gyakoriak maradnak a tanításban, a bioinformatikai és szöveges feladatokban, valamint az erőforrás-korlátozott környezetben, ahol egy kicsi, gyors modell legyőz egy nehéz hálózatot. Várhatóan az SVM-ek megbízható klasszikus eszközként és viszonyítási alapként maradnak meg, nem pedig az új kutatások határterületeként.
Valós megvalósítás
Szöveg és levélszemét besorolása, ahol a dokumentumok több ezer szófunkciót tartalmaznak, de korlátozott példák.
A képosztályozás kis adathalmazokon, mielőtt a mély tanulás dominánssá vált.
A rák és a génexpresszió osztályozása a bioinformatikában sok jellemzővel és kevés mintával.
Kézírásos számfelismerés, klasszikus SVM-benchmark az MNIST adatkészletben.
Kockázatok és védőkorlátok
A különböző csapatok eltérően használhatják ugyanazt a kifejezést, ezért korán határozza meg a hatókört.
A benchmarkok erősnek tűnhetnek, miközben a valós teljesítmény egyenetlen.
Az adatminőségi és értékelési tervek figyelmen kívül hagyása gyakran törékeny eredményekhez vezet.
Végrehajtási ütemterv
Kezdje a kívánt eredmény egyszerű nyelvű meghatározásával.
A tesztelés előtt válasszon egy sikermutatót és egy hibafeltételt.
Futtasson egy kis pilotot reprezentatív adatokkal, ne egy csiszolt demókészlettel.
Dokumentálja, ahol a Support Vector Machines segít, és hol jobbak az egyszerűbb módszerek.
Folytassa a felfedezést
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
Következő útmutató
A gépi tanulás alapjai
Gyakran ismételt kérdések
What is Support Vector Machines?
A támogatási vektorgép (SVM) egy klasszikus algoritmus, amely úgy választ el két csoportot, hogy a lehető legszélesebb határt húzza közöttük. Ez volt az egyik legerősebb osztályozó a mély tanulás előtt, és még mindig erős a kis, tiszta adatkészleteken.
Mit próbál maximalizálni egy támogatási vektorgép?
Az SVM megkeresi azt a hipersíkot, amely maximalizálja a margót, az egyes osztályok legközelebbi pontjaitól való távolságot a legrobusztusabb elválasztás érdekében.
Mik azok a „támogatási vektorok” az SVM-ben?
Csak a határhoz legközelebbi pontok, a támaszvektorok határozzák meg a hipersíkot; más pontok változtatás nélkül mozoghatnak.
Milyen problémát old meg a kerneltrükk?
A kerneltrükk implicit módon leképezi az adatokat egy magasabb dimenziós térbe, ahol az egyenes határvonal működik, és olcsón teszi lehetővé az ívelt szétválasztást.
Mit vezérel a C paraméter egy lágy margós SVM-ben?
A C egyensúlyok nagy tartalékkal rendelkeznek bizonyos képzési hibák megengedésével szemben; a kis C szélesebb, toleránsabb margót jelent.
Melyik kernelt használnak általában rugalmas, ívelt határvonalak létrehozására?
Az RBF (Gaussian) kernel egy népszerű alapértelmezett, amely távolság alapján méri a hasonlóságot, lehetővé téve a sima nemlineáris határvonalakat.