Kusaidia Mashine za Vector
Mashine ya vekta ya usaidizi (SVM) ni algoriti ya kawaida ambayo hutenganisha vikundi viwili kwa kuchora mpaka mpana zaidi kati yao.
Muhtasari
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Dive ya kina
SVM hupata mpaka wa uamuzi, unaoitwa hyperplane, ambao huongeza ukingo, pengo kati ya mpaka na alama za data za karibu za kila darasa. Pointi hizo za karibu zaidi ni 'vivekta vya usaidizi,' na wao pekee ndio hufafanua mpaka, ambao hufanya kielelezo kushikana na kustahimili wauzaji walio mbali na ukingo. Wakati data haiwezi kugawanywa na mstari ulionyooka, hila ya kernel huiweka katika nafasi ya hali ya juu ambapo utengano safi upo, bila hata kujumuisha kuratibu hizo moja kwa moja. Ukingo laini huruhusu uainishaji fulani usio sahihi, unaodhibitiwa na kigezo C, kwa hivyo kielelezo husawazisha ukingo mpana dhidi ya makosa ya mafunzo. SVM hufanya vyema wakati vipengele ni vingi lakini mifano ni michache, kama vile katika uainishaji wa maandishi na maelezo ya kibayolojia.
Ufahamu wa Kiufundi
Kuongeza ukingo ni shida ya uboreshaji wa mbonyeo, kwa hivyo SVM zina ubora mmoja wa kimataifa, tofauti na mitandao ya neural. Ujanja wa kernel hubadilisha bidhaa za nukta kati ya nukta za data na chaguo za kukokotoa za kernel, kama vile utendaji kazi wa msingi wa radial (RBF) au polynomial kernel, ambayo hukokotoa ufanano katika nafasi ya juu-dimensional kwa ukamilifu. Hii huruhusu njia ya mstari kuchora mipaka iliyopinda kwa bei nafuu. Vigezo viwili vinatawala urekebishaji: C, ambayo hubadilisha upana wa ukingo dhidi ya hitilafu, na gamma kwenye kerneli ya RBF, ambayo huweka umbali wa kila pointi kufikia.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Mashine za Vekta za Usaidizi
SVM kwa kiasi kikubwa zimepitwa na mafunzo ya kina na miti iliyoimarishwa kwa kiwango cha juu kwa hifadhidata kubwa na changamano, lakini zinasalia kuwa chaguo linalotegemewa wakati data ni chache, ya hali ya juu, au inahitaji msingi thabiti, unaoeleweka vyema. Hukaa kawaida katika ufundishaji, katika bioinformatics na kazi za maandishi, na katika mipangilio isiyo na rasilimali ambapo mtindo mdogo, wa haraka hupiga mtandao mzito. Tarajia SVM kuendelea kama zana ya kitamaduni inayotegemewa na kielelezo badala ya kipeo cha utafiti mpya.
Utekelezaji wa Ulimwengu Halisi
Uainishaji wa maandishi na barua taka, ambapo hati zina maelfu ya vipengele vya maneno lakini mifano michache.
Uainishaji wa picha kwenye hifadhidata ndogo kabla ya kujifunza kwa kina kuwa kubwa.
Uainishaji wa saratani na usemi wa jeni katika bioinformatics yenye vipengele vingi na sampuli chache.
Utambuzi wa tarakimu ulioandikwa kwa mkono, alama ya kawaida ya SVM kwenye mkusanyiko wa data wa MNIST.
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Mashine za Vekta ya Usaidizi husaidia na ambapo njia rahisi ni bora zaidi.
Endelea Kuchunguza
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
Mwongozo unaofuata
Misingi ya Kujifunza kwa Mashine
Maswali yanayoulizwa mara kwa mara
What is Support Vector Machines?
Mashine ya vekta ya usaidizi (SVM) ni algoriti ya kawaida ambayo hutenganisha vikundi viwili kwa kuchora mpaka mpana zaidi kati yao. Ilikuwa mojawapo ya waainishaji wa nguvu zaidi kabla ya kujifunza kwa kina na bado ina nguvu kwenye hifadhidata ndogo na safi.
Mashine ya vekta ya msaada inajaribu kuongeza nini?
SVM hupata hyperplane ambayo huongeza ukingo, umbali wa pointi za karibu za kila darasa, kwa utengano mkali zaidi.
'Veta za msaada' kwenye SVM ni nini?
Pointi tu zilizo karibu na mpaka, vekta za usaidizi, huamua hyperplane; pointi nyingine zinaweza kusonga bila kuibadilisha.
Ujanja wa kernel unasuluhisha shida gani?
Ujanja wa kernel huweka data kwa uwazi katika nafasi ya juu-dimensional ambapo mpaka ulionyooka hufanya kazi, na kuwezesha utenganisho uliopinda kwa bei nafuu.
Je, parameta C inadhibiti nini kwenye SVM yenye pembe laini?
C mizani kuwa na kiasi kikubwa dhidi ya kuruhusu baadhi ya makosa ya mafunzo; ndogo C ina maana ya kiasi pana, kustahimili zaidi.
Ni kerneli gani hutumika kwa kawaida kuunda mipaka inayonyumbulika, iliyopinda?
Kerneli ya RBF (Gaussian) ni chaguo-msingi maarufu ambayo hupima mfanano kulingana na umbali, ikiruhusu mipaka laini isiyo ya mstari.