Підтримуючі векторні машини
Машина опорних векторів (SVM) — це класичний алгоритм, який розділяє дві групи шляхом проведення якомога ширшої межі між ними.
Огляд
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Глибоке занурення
SVM знаходить межу рішення, яка називається гіперплощиною, яка максимізує маржу, розрив між межею та найближчими точками даних кожного класу. Ці найближчі точки є «опорними векторами», і лише вони визначають межу, що робить модель компактною та стійкою до викидів далеко від краю. Коли дані не можна розділити прямою лінією, трюк ядра відображає їх у просторі з більшою вимірністю, де існує чітке розділення, без жодного безпосереднього обчислення цих координат. М’який запас допускає деякі неправильні класифікації, що контролюються параметром C, тому модель врівноважує широкий запас із помилками навчання. SVM перевершують, коли функцій багато, але прикладів небагато, наприклад, у класифікації тексту та біоінформатиці.
Технічне розуміння
Максимізація запасу є опуклою оптимізаційною проблемою, тому SVM мають єдиний глобальний оптимум, на відміну від нейронних мереж. Трюк ядра замінює скалярний добуток між точками даних функцією ядра, такою як радіальна базисна функція (RBF) або поліноміальне ядро, яке неявно обчислює подібність у просторі вищої розмірності. Це дозволяє лінійному методу дешево малювати вигнуті межі. У налаштуванні домінують два гіперпараметри: C, який компроміс між шириною поля та помилками, і гамма в ядрі RBF, яка встановлює, як далеко досягає вплив кожної точки.
Стратегічний вплив
Чіткіші рішення
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
Вартість і бюджет
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
Команда та робочий процес
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Майбутнє опорних векторних машин
SVM значною мірою витіснені глибоким навчанням і деревами з посиленням градієнта для великих і складних наборів даних, але вони залишаються надійним вибором, коли дані дефіцитні, мають високу розмірність або потребують міцної, добре зрозумілої базової лінії. Вони залишаються поширеними у навчанні, біоінформатиці та текстових завданнях, а також у обмежених ресурсах, де маленька швидка модель перемагає важку мережу. Очікуйте, що SVM залишаться надійним класичним інструментом і еталоном, а не межею нових досліджень.
Реалізація в реальному світі
Класифікація тексту та спаму, де документи містять тисячі слів, але обмежені приклади.
Класифікація зображень на невеликих наборах даних до того, як глибоке навчання стало домінуючим.
Класифікація раку та експресії генів у біоінформатиці з багатьма функціями та кількома зразками.
Розпізнавання рукописних цифр, класичний тест SVM на наборі даних MNIST.
Ризики та огорожі
Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Дорожня карта впровадження
Почніть із простого визначення необхідного результату.
Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
Документуйте, де Support Vector Machines допомагає, а де простіші методи кращі.
Продовжуйте досліджувати
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
Наступний посібник
Основи машинного навчання
Часті запитання
What is Support Vector Machines?
Машина опорних векторів (SVM) — це класичний алгоритм, який розділяє дві групи шляхом проведення якомога ширшої межі між ними. Це був один із найпотужніших класифікаторів до глибокого навчання, і він досі є сильним на невеликих чистих наборах даних.
Що намагається максимізувати машина опорних векторів?
SVM знаходить гіперплощину, яка максимізує маржу, відстань до найближчих точок кожного класу, для найбільш надійного розділення.
Що таке «вектори підтримки» у SVM?
Тільки найближчі до границі точки, опорні вектори, визначають гіперплощину; інші точки можуть рухатися, не змінюючи його.
Яку проблему вирішує трюк ядра?
Трюк ядра неявно відображає дані у просторі з більшою вимірністю, де працює пряма межа, уможливлюючи недорого вигнуті розділення.
Що контролює параметр C у SVM з м’яким полем?
ваги C, що мають великий запас проти допускання деяких помилок навчання; малий C означає ширший, толерантніший запас.
Яке ядро зазвичай використовується для створення гнучких вигнутих меж?
Ядро RBF (Gaussian) є популярним за замовчуванням, яке вимірює подібність на основі відстані, дозволяючи плавні нелінійні межі.