รองรับเครื่องเวกเตอร์
Support Vector Machine (SVM) เป็นอัลกอริธึมแบบคลาสสิกที่แยกสองกลุ่มโดยการวาดขอบเขตที่กว้างที่สุดระหว่างกลุ่มทั้งสอง
ภาพรวม
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
เจาะลึก
SVM ค้นหาขอบเขตการตัดสินใจที่เรียกว่าไฮเปอร์เพลน ซึ่งจะเพิ่มระยะขอบ ช่องว่างระหว่างขอบเขตและจุดข้อมูลที่ใกล้ที่สุดของแต่ละคลาส จุดที่ใกล้เคียงที่สุดเหล่านั้นคือ 'เวกเตอร์สนับสนุน' และเพียงจุดเดียวเท่านั้นที่จะกำหนดขอบเขต ซึ่งทำให้แบบจำลองมีขนาดกะทัดรัดและทนทานต่อค่าผิดปกติที่อยู่ไกลจากขอบ เมื่อข้อมูลไม่สามารถแยกเป็นเส้นตรงได้ เคล็ดลับเคอร์เนลจะแม็ปข้อมูลนั้นลงในพื้นที่มิติที่สูงกว่าซึ่งมีการแยกที่ชัดเจน โดยไม่ต้องคำนวณพิกัดเหล่านั้นโดยตรง อัตรากำไรขั้นต้นแบบอ่อนทำให้เกิดการจำแนกประเภทที่ไม่ถูกต้อง ซึ่งควบคุมโดยพารามิเตอร์ C ดังนั้นแบบจำลองจึงปรับสมดุลอัตรากำไรขั้นต้นที่กว้างกับข้อผิดพลาดในการฝึก SVM เป็นเลิศเมื่อมีคุณลักษณะมากมายแต่ตัวอย่างมีน้อย เช่น ในการจัดประเภทข้อความและชีวสารสนเทศศาสตร์
ข้อมูลเชิงลึกทางเทคนิค
การเพิ่มระยะขอบให้สูงสุดเป็นปัญหาการปรับให้เหมาะสมแบบนูน ดังนั้น SVM จึงมีเครือข่ายที่เหมาะสมระดับโลกเพียงเครือข่ายเดียว ไม่เหมือนโครงข่ายประสาทเทียม เคล็ดลับเคอร์เนลจะแทนที่ดอตโปรดัคระหว่างจุดข้อมูลด้วยฟังก์ชันเคอร์เนล เช่น ฟังก์ชันพื้นฐานรัศมี (RBF) หรือเคอร์เนลพหุนามที่คำนวณความคล้ายคลึงกันในพื้นที่มิติที่สูงกว่าโดยปริยาย วิธีนี้ช่วยให้วิธีการเชิงเส้นวาดขอบเขตโค้งได้ในราคาถูก ไฮเปอร์พารามิเตอร์สองตัวควบคุมการปรับแต่ง: C ซึ่งแลกเปลี่ยนความกว้างของระยะขอบกับข้อผิดพลาด และแกมมาในเคอร์เนล RBF ซึ่งกำหนดว่าอิทธิพลของแต่ละจุดไปถึงได้ไกลแค่ไหน
ผลกระทบเชิงกลยุทธ์
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
ต้นทุนและงบประมาณ
คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
ทีมงานและขั้นตอนการทำงาน
ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น
อนาคตของเครื่องจักรเวกเตอร์ที่รองรับ
SVM ส่วนใหญ่ถูกครอบงำโดยการเรียนรู้เชิงลึกและต้นไม้ที่เสริมการไล่ระดับสีสำหรับชุดข้อมูลขนาดใหญ่และซับซ้อน แต่ยังคงเป็นตัวเลือกที่เชื่อถือได้เมื่อข้อมูลขาดแคลน มีมิติสูง หรือต้องการพื้นฐานที่แข็งแกร่งและเข้าใจดี ซึ่งยังคงเป็นเรื่องปกติในการสอน ในงานชีวสารสนเทศและงานข้อความ และในสภาพแวดล้อมที่มีทรัพยากรจำกัด ซึ่งโมเดลขนาดเล็กและรวดเร็วจะเอาชนะเครือข่ายขนาดใหญ่ได้ คาดหวังว่า SVM จะคงอยู่ในฐานะเครื่องมือคลาสสิกที่เชื่อถือได้และเป็นเกณฑ์มาตรฐานแทนที่จะเป็นขอบเขตของการวิจัยใหม่
การใช้งานจริงในโลกแห่งความเป็นจริง
การจัดประเภทข้อความและสแปม โดยที่เอกสารมีคุณลักษณะคำหลายพันรายการ แต่มีตัวอย่างที่จำกัด
การจัดหมวดหมู่รูปภาพบนชุดข้อมูลขนาดเล็กก่อนที่การเรียนรู้เชิงลึกจะมีความโดดเด่น
การจำแนกมะเร็งและการแสดงออกของยีนในชีวสารสนเทศศาสตร์ที่มีคุณสมบัติมากมายและมีตัวอย่างน้อย
การรู้จำตัวเลขที่เขียนด้วยลายมือ ซึ่งเป็นการวัดประสิทธิภาพ SVM แบบคลาสสิกบนชุดข้อมูล MNIST
ความเสี่ยงและรั้ว
แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง
แผนงานการดำเนินงาน
เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
เอกสารที่ Support Vector Machines ช่วยเหลือ และวิธีการที่ง่ายกว่าจะดีกว่า
สำรวจต่อไป
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
คำแนะนำต่อไป
พื้นฐานการเรียนรู้ของเครื่อง
คำถามที่พบบ่อย
What is Support Vector Machines?
Support Vector Machine (SVM) เป็นอัลกอริธึมแบบคลาสสิกที่แยกสองกลุ่มโดยการวาดขอบเขตที่กว้างที่สุดระหว่างกลุ่มทั้งสอง เป็นหนึ่งในตัวแยกประเภทที่ทรงพลังที่สุดก่อนการเรียนรู้เชิงลึก และยังคงแข็งแกร่งสำหรับชุดข้อมูลขนาดเล็กและสะอาด
เครื่องเวกเตอร์สนับสนุนพยายามขยายขีดสุดอะไร
SVM ค้นหาไฮเปอร์เพลนที่เพิ่มระยะขอบสูงสุด ซึ่งเป็นระยะห่างไปยังจุดที่ใกล้เคียงที่สุดของแต่ละคลาส เพื่อการแยกที่แข็งแกร่งที่สุด
'เวกเตอร์สนับสนุน' ใน SVM คืออะไร
เฉพาะจุดที่อยู่ใกล้ขอบเขตมากที่สุด คือ เวกเตอร์แนวรับ เท่านั้นที่จะกำหนดไฮเปอร์เพลน จุดอื่นสามารถเคลื่อนที่ได้โดยไม่ต้องเปลี่ยน
เคล็ดลับเคอร์เนลแก้ปัญหาอะไรได้บ้าง
เคล็ดลับเคอร์เนลจะจับคู่ข้อมูลโดยปริยายในพื้นที่มิติที่สูงกว่าซึ่งมีขอบเขตตรง ทำให้สามารถแยกส่วนโค้งได้ในราคาถูก
พารามิเตอร์ C ควบคุมอะไรใน SVM แบบ soft-margin
ยอดคงเหลือ C มีอัตรากำไรขั้นต้นสูงเพื่อป้องกันข้อผิดพลาดในการฝึกอบรมบางอย่าง C เล็กหมายถึงระยะขอบที่กว้างขึ้นและทนทานมากขึ้น
เคอร์เนลใดที่มักใช้เพื่อสร้างขอบเขตที่ยืดหยุ่นและโค้งมน
เคอร์เนล RBF (เกาส์เซียน) เป็นค่าเริ่มต้นยอดนิยมที่ใช้วัดความคล้ายคลึงกันตามระยะทาง ทำให้มีขอบเขตที่ไม่เป็นเชิงเส้นได้อย่างราบรื่น