서포트 벡터 머신
SVM(서포트 벡터 머신)은 두 그룹 사이에 가능한 가장 넓은 경계를 그려 두 그룹을 분리하는 고전적인 알고리즘입니다.
개요
딥러닝 이전에는 가장 강력한 분류기 중 하나였으며 여전히 작고 깨끗한 데이터세트에 강력합니다.
심층 분석
SVM은 경계와 각 클래스의 가장 가까운 데이터 포인트 사이의 간격인 마진을 최대화하는 초평면(hyperplane)이라고 불리는 결정 경계를 찾습니다. 가장 가까운 점은 '지원 벡터'이며, 이것만으로 경계를 정의하므로 모델이 콤팩트해지고 가장자리에서 멀리 떨어진 이상값에 대한 저항력이 높아집니다. 데이터를 직선으로 분할할 수 없는 경우 커널 트릭은 해당 좌표를 직접 계산하지 않고 데이터를 깔끔하게 분리된 고차원 공간에 매핑합니다. 소프트 마진은 매개변수 C에 의해 제어되는 일부 잘못된 분류를 허용하므로 모델은 학습 오류에 대해 넓은 마진의 균형을 맞춥니다. SVM은 텍스트 분류 및 생물정보학과 같이 기능은 많지만 예제가 적을 때 탁월합니다.
기술적 통찰력
마진을 최대화하는 것은 볼록 최적화 문제이므로 SVM은 신경망과 달리 단일 전역 최적을 갖습니다. 커널 트릭은 데이터 포인트 간의 내적을 고차원 공간에서 암시적으로 유사성을 계산하는 RBF(방사형 기저 함수) 또는 다항식 커널과 같은 커널 함수로 대체합니다. 이를 통해 선형 방법으로 곡선 경계를 저렴하게 그릴 수 있습니다. 두 가지 하이퍼 매개변수가 튜닝을 지배합니다. C는 오류에 대한 마진 폭을 절충하고, RBF 커널의 감마는 각 지점의 영향이 도달하는 정도를 설정합니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
서포트 벡터 머신의 미래
SVM은 대규모의 복잡한 데이터 세트에 대한 딥 러닝 및 그래디언트 부스트 트리로 대체되었지만 데이터가 부족하거나 고차원이거나 강력하고 잘 이해되는 기준선이 필요한 경우에는 여전히 신뢰할 수 있는 선택입니다. 이러한 현상은 교육, 생물정보학 및 텍스트 작업, 작고 빠른 모델이 무거운 네트워크를 능가하는 리소스가 제한된 환경에서 흔히 발생합니다. SVM이 새로운 연구의 개척자가 아닌 신뢰할 수 있는 기존 도구이자 벤치마크로 지속되기를 기대합니다.
실제 구현
문서에 수천 개의 단어 기능이 있지만 예제가 제한되어 있는 텍스트 및 스팸 분류.
딥러닝이 주류를 이루기 전 소규모 데이터세트에 대한 이미지 분류.
많은 특징과 소수의 샘플을 사용하여 생물정보학에서 암 및 유전자 발현 분류.
MNIST 데이터세트의 클래식 SVM 벤치마크인 필기 숫자 인식입니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
Support Vector Machines가 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
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
다음 가이드
머신러닝 기초
자주 묻는 질문
서포트 벡터 머신이란 무엇입니까?
SVM(서포트 벡터 머신)은 두 그룹 사이에 가능한 가장 넓은 경계를 그려 두 그룹을 분리하는 고전적인 알고리즘입니다. 딥러닝 이전에는 가장 강력한 분류기 중 하나였으며 여전히 작고 깨끗한 데이터 세트에 강력합니다.
서포트 벡터 머신은 무엇을 최대화하려고 합니까?
SVM은 가장 견고한 분리를 위해 마진, 즉 각 클래스의 가장 가까운 점까지의 거리를 최대화하는 초평면을 찾습니다.
SVM의 '지원 벡터'는 무엇입니까?
경계에 가장 가까운 점, 즉 지지 벡터만이 초평면을 결정합니다. 다른 점은 변경하지 않고 이동할 수 있습니다.
커널 트릭은 어떤 문제를 해결합니까?
커널 트릭은 직선 경계가 작동하는 고차원 공간에 데이터를 암시적으로 매핑하여 저렴하게 곡선 분리를 가능하게 합니다.
소프트 마진 SVM에서 매개변수 C는 무엇을 제어합니까?
C는 일부 훈련 오류를 허용하는 것에 대해 큰 마진을 가지고 있습니다. 작은 C는 더 넓고 더 허용되는 마진을 의미합니다.
유연한 곡선 경계를 만드는 데 일반적으로 사용되는 커널은 무엇입니까?
RBF(가우시안) 커널은 거리를 기준으로 유사성을 측정하여 부드러운 비선형 경계를 허용하는 널리 사용되는 기본값입니다.