Машина опорных векторов (SVM) — это простой контролируемый машинный алгоритм, используемый для целей классификации и регрессии. /p>
SVM находит гиперплоскость, которая создает границу между двумя классами данных, чтобы классифицировать их.
В двухмерном пространстве эта гиперплоскость представляет собой линию .
SVM отображает каждый элемент данных в N-мерном пространстве. Размер зависит от характеристик или атрибутов данных. Затем он находит гиперплоскость для разделения данных.
SVM в основном классифицирует данные только между двумя классами. Для мультиклассов механизм немного отличается.
SVM и мультиклассы
Этот метод создает двоичный классификатор для каждого отдельного класса данные. Он возвращает логический результат, независимо от того, принадлежат ли данные этому классу или нет.
Например, в классе шоколадных конфет для каждого шоколада будет выполняться мультиклассовая классификация. Например, класс «Hersheys» будет использовать двоичную классификацию, чтобы предсказать, является шоколад Hersheys или нет.
Методология SVM
SVM использует простую технику. Во-первых, он определяет две точки данных, также называемые «опорными векторами». Затем модель создает линию между точками, которая также находится на одинаковом расстоянии между обеими точками. Эта линия называется «лучшей гиперплоскостью».
Затем она создает две воображаемые линии, проходящие через эти «опорные векторы», которые параллельны лучшей гиперплоскости и также называются положительными. и отрицательные гиперплоскости. Затем все точки данных проверяются, чтобы увидеть, к какой гиперплоскости они ближе всего. Следовательно, все данные классифицируются.
SVM для сложных (нелинейно разделимых)
Легко разделить линейные разделяемые данные . Данные можно классифицировать с помощью прямой линии. Однако для нелинейно разделяемых данных используется Kernelized SVM.
Предположим, что есть часть нелинейных данных в одномерном измерении. Ядро сопоставляет каждую точку в одном измерении с упорядоченной парой в двух измерениях и преобразует ее в двухмерную.. В результате эти данные становятся линейно разделенными в двух измерениях. Данные могут быть легко отображены в более высоком измерении, чтобы сделать их линейно разделяемыми в соответствующем измерении.
