[AI Principle Analysis]—Support Vector Machine Principle
2024-07-08
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Sisällysluettelo
1. Yleiskatsaus tukivektorikoneeseen (SVM)
2. Hypertaso ja tukivektori
3. Maksimoi väli
4. Optimointiongelma
5. Ytimen toiminto
6. Yhteenveto
1. Yleiskatsaus tukivektorikoneeseen (SVM)
- määritelmä : Tukivektorikone on valvottu oppimismalli, jota käytetään pääasiassa tietojen luokitteluongelmiin. Perusideana on jakaa datapisteet hypertason läpi siten, että eri luokkien datapisteet sijaitsevat hypertason molemmilla puolilla.
- Luokittelu: Tukivektorikoneet jaetaan pääasiassa kolmeen luokkaan: lineaarisesti erotettavat tukivektorikoneet, lineaariset tukivektorikoneet ja epälineaariset tukivektorikoneet.
2. Hypertaso ja tukivektori
- hypertaso : N-ulotteisessa avaruudessa hypertaso on n-1-ulotteinen aliavaruus. Kaksiulotteisessa avaruudessa se on suora viiva kolmiulotteisessa avaruudessa, se on taso. Hypertaso voidaan ilmaista muodossa w^T * xb = 0, missä w on normaalivektori, b on leikkauspiste ja x on näytepiste.
- tukivektori : Hypertasoa lähinnä olevaa näytepistettä kutsutaan tukivektoriksi. Näillä pisteillä on ratkaiseva rooli hypertason sijainnin määrittämisessä.
3. Maksimoi väli
- toimintoväli: Tietylle harjoitusjoukolle ja hypertasolle funktioväli näytepisteestä (x_i, y_i) hypertasoon on r_i
