Máy Vector hỗ trợ
Máy vectơ hỗ trợ (SVM) là một thuật toán cổ điển giúp phân tách hai nhóm bằng cách vẽ ranh giới rộng nhất có thể giữa chúng.
Tổng quan
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Lặn sâu
SVM tìm ranh giới quyết định, được gọi là siêu phẳng, giúp tối đa hóa lề, khoảng cách giữa ranh giới và các điểm dữ liệu gần nhất của mỗi lớp. Những điểm gần nhất đó là 'vectơ hỗ trợ' và chỉ riêng chúng xác định ranh giới, điều này làm cho mô hình nhỏ gọn và có khả năng chống lại các ngoại lệ ở xa rìa. Khi dữ liệu không thể được phân chia bằng một đường thẳng, thủ thuật kernel sẽ ánh xạ dữ liệu đó vào một không gian có chiều cao hơn, nơi tồn tại sự phân tách rõ ràng mà không cần tính toán trực tiếp các tọa độ đó. Biên độ mềm cho phép một số phân loại sai, được kiểm soát bởi tham số C, do đó mô hình sẽ cân bằng biên độ rộng với các lỗi huấn luyện. SVM vượt trội khi có nhiều tính năng nhưng lại có ít ví dụ, chẳng hạn như trong phân loại văn bản và tin sinh học.
Hiểu biết kỹ thuật
Tối đa hóa lề là một vấn đề tối ưu hóa lồi, do đó SVM có một mức tối ưu toàn cục duy nhất, không giống như mạng thần kinh. Thủ thuật hạt nhân thay thế tích số chấm giữa các điểm dữ liệu bằng hàm hạt nhân, chẳng hạn như hàm cơ sở xuyên tâm (RBF) hoặc hạt nhân đa thức, tính toán ngầm độ tương tự trong không gian nhiều chiều hơn. Điều này cho phép một phương pháp tuyến tính vẽ các ranh giới cong một cách rẻ tiền. Hai siêu tham số chi phối việc điều chỉnh: C, đánh đổi độ rộng lề theo lỗi và gamma trong nhân RBF, đặt ra mức độ ảnh hưởng của mỗi điểm.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của máy vectơ hỗ trợ
SVM phần lớn đã bị thay thế bởi cây học sâu và cây tăng cường độ dốc cho các tập dữ liệu lớn, phức tạp, nhưng chúng vẫn là lựa chọn đáng tin cậy khi dữ liệu khan hiếm, có nhiều chiều hoặc cần đường cơ sở mạnh mẽ, được hiểu rõ. Chúng vẫn phổ biến trong giảng dạy, tin sinh học và các tác vụ văn bản cũng như trong các môi trường có nguồn lực hạn chế, nơi một mô hình nhỏ, nhanh sẽ đánh bại một mạng nặng. Mong đợi SVM sẽ tồn tại như một công cụ cổ điển đáng tin cậy và là một chuẩn mực hơn là một biên giới của nghiên cứu mới.
Triển khai trong thế giới thực
Phân loại văn bản và thư rác, trong đó tài liệu có hàng nghìn đặc điểm từ ngữ nhưng lại có rất ít ví dụ.
Phân loại hình ảnh trên các tập dữ liệu nhỏ trước khi học sâu trở nên phổ biến
Phân loại ung thư và biểu hiện gen trong tin sinh học với nhiều đặc điểm và ít mẫu.
Nhận dạng chữ số viết tay, điểm chuẩn SVM cổ điển trên bộ dữ liệu MNIST.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu nơi Máy vectơ hỗ trợ trợ giúp và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Khái niệm cơ bản về học máy
Câu hỏi thường gặp
What is Support Vector Machines?
Máy vectơ hỗ trợ (SVM) là một thuật toán cổ điển giúp phân tách hai nhóm bằng cách vẽ ranh giới rộng nhất có thể giữa chúng. Đây là một trong những công cụ phân loại mạnh mẽ nhất trước khi học sâu và vẫn hoạt động mạnh trên các tập dữ liệu nhỏ, sạch.
Máy vectơ hỗ trợ cố gắng tối đa hóa điều gì?
SVM tìm siêu phẳng giúp tối đa hóa lề, khoảng cách đến các điểm gần nhất của mỗi lớp, để có sự phân tách rõ ràng nhất.
'Các vectơ hỗ trợ' trong SVM là gì?
Chỉ những điểm gần ranh giới nhất, các vectơ hỗ trợ, mới xác định được siêu phẳng; các điểm khác có thể di chuyển mà không làm thay đổi nó.
Thủ thuật kernel giải quyết được vấn đề gì?
Thủ thuật hạt nhân ngầm ánh xạ dữ liệu vào một không gian có chiều cao hơn, nơi ranh giới thẳng hoạt động, cho phép phân tách theo đường cong một cách rẻ tiền.
Tham số C kiểm soát điều gì trong SVM lề mềm?
Số dư C có biên độ lớn nên không cho phép một số lỗi huấn luyện; C nhỏ có nghĩa là biên độ rộng hơn, dễ chịu hơn.
Hạt nhân nào thường được sử dụng để tạo ranh giới cong, linh hoạt?
Hạt nhân RBF (Gaussian) là một mặc định phổ biến để đo lường độ tương tự dựa trên khoảng cách, cho phép các ranh giới phi tuyến trơn tru.