Шта је СВМ алгоритам?
СВМ означава Суппорт Вецтор Мацхине. СВМ је надзирани алгоритам машинског учења који се обично користи за изазове класификације и регресије. Уобичајене примене СВМ алгоритма су систем за откривање провале, препознавање рукописа, предвиђање структуре протеина, детектовање стенографије у дигиталним сликама итд.
У СВМ алгоритму је свака тачка представљена као ставка података у н-димензионалном простору гдје је вриједност сваке карактеристике вриједност одређене координате.
Након цртања, класификација је извршена проналажењем хипе-равнине која разликује две класе. Погледајте испод слике да бисте разумели овај концепт.
Алгоритам вектора машине за подршку углавном се користи за решавање проблема са класификацијом. Вектори подршке нису ништа друго него координате сваког податка. Вецтор Вецтор Мацхине је граница која разликује две класе помоћу хипер-равни.
Како функционише СВМ алгоритам?
У горњем одељку смо разговарали о диференцијацији две класе помоћу хипер-равни. Сада ћемо видети како овај СВМ алгоритам у ствари функционише.
Сценариј 1: Препознавање праве хипер-равни
Овде смо узели три хипер-равни тј. А, Б и Ц. Сада морамо да идентификујемо праву хипер-равнину да бисмо класификовали звезду и круг.
Да бисмо препознали праву хипер-плане, требало би да знамо правило палца. Изаберите хипер-равнину која разликује две класе. У горе поменутој слици, хипер-равнина Б врло добро разликује две класе.
Сценариј 2: Препознавање праве хипер-равни
Овде смо узели три хипер-равни тј. А, Б и Ц. Ове три хипер-равни већ врло добро разликују класе.
У овом сценарију, за идентификацију праве хипер-равни повећаваћемо удаљеност између најближих тачака података. Та удаљеност није само маргина. Погледајте испод слике.
У горе поменутој слици, граница хипер-равни Ц је већа од хипер-равни А и хипер-равни Б. Дакле, у овом сценарију, Ц је права хиперплана. Ако одаберемо хиперплану са минималном маржом, то може довести до погрешне класификације. Стога смо изабрали хиперплану Ц са максималном разликом због робусности.
Сценариј 3: Препознавање праве хипер-равни
Напомена: Да бисте идентификовали хиперплану следите иста правила као што је поменуто у претходним одељцима.
Као што видите на горе поменутој слици, граница хипер-равни Б је већа од маргине хипер-равни А, зато ће неки одабрати хипер-равнину Б као право. Али у СВМ алгоритму бира ону хиперплану која класификује класе тачне пре максимализације маргине. У овом сценарију, хипер-равнина А је класификовала све тачно и постоји нека грешка. Класификација хипер-равни Б. Зато је А права хипер-равнина.
Сценариј 4: Класификујте две класе
Као што можете видети на доле наведеној слици, не можемо разликовати две класе користећи равну линију, јер једна звезда лежи као вањска група у другој класи круга.
Овде је једна звезда у другој класи. За звездану класу ова звезда је вансеријска. Због својства робусности СВМ алгоритма, наћи ће праву хиперплану са вишом маргином занемарујући вањски облик.
Сценариј 5: Фини хипер-равни за разликовање класа
До сада смо изгледали линеарном хипер-равнином. На слици испод, немамо линеарну хипер-равнину између класа.
Да би класификовао ове класе, СВМ уводи неке додатне функције. У овом сценарију користићемо ову нову карактеристику з = к 2 + и 2.
Нацртајте све тачке података на оси к и з.
Белешка
- Све вредности на оси з треба да буду позитивне, јер је з једнак зброју к квадрата и и квадрата.
- На горе поменутом плану, црвени кругови су затворени у поређењу са оси к и и, водећи вредност з до ниже, а звезда је управо супротна од круга, удаљена је од порекла оси к и оса и, водећи вредност з до високе.
У СВМ алгоритму је лако разврстати линеарном хиперпланом између две класе. Али овде се поставља питање треба ли додати ову особину СВМ-а за препознавање хипер-равни. Дакле, одговор је не, за решавање овог проблема СВМ поседује технику која је опште позната као кернел трик.
Кернел трик је функција која трансформише податке у одговарајући облик. Постоје различите врсте кернел функција које се користе у СВМ алгоритму, тј. Полиномна, линеарна, нелинеарна, радијална основа основице итд. Овде се помоћу ниско-димензионалног улазног простора с триком кернела претвара у простор веће величине.
Када погледамо хиперплане на поређење оси и осе, изгледа као круг. Погледајте испод слике.
Прос СВГ алгоритма
- Чак и ако су улазни подаци нелинеарни и не одвојиви, СВМ генеришу тачне резултате класификације због своје робусности.
- У функцији одлучивања користи подскуп тренинг бодова који се зову вектори подршке, тако да је меморија ефикасна.
- Корисно је решити било који сложени проблем одговарајућом функцијом кернела.
- У пракси су СВМ модели генерализовани, са мањим ризиком прекомерног уградње у СВМ.
- СВМ-ови одлично функционирају за класификацију текста и када пронађу најбољи линеарни сепаратор.
Против СВМ алгоритма
- Рад са великим скуповима података треба дуго времена за обуку.
- Тешко је разумети коначни модел и утицај појединца.
Закључак
Водич је за подршку алгоритму векторских машина који је алгоритам машинског учења. У овом смо чланку детаљно говорили о томе шта је СВМ алгоритам, како функционише и које су његове предности.
Препоручени чланци
Ово је водич за СВМ алгоритам. Овде смо расправљали о његовом раду са сценаријем, предности и недостацима СВМ алгоритма. Такође можете погледати следеће чланке да бисте сазнали више -
- Алгоритми за рударјење података
- Технике вађења података
- Шта је машинско учење?
- Алати за машинско учење
- Примери алгоритма Ц ++