[Analyse du principe de l'IA] – Principe de la machine à vecteurs de support
2024-07-08
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Table des matières
1. Présentation de la machine à vecteurs de support (SVM)
2. Hyperplan et vecteur de support
3. Maximisez l'intervalle
4. Problème d'optimisation
5. Fonction noyau
6. Résumé
1. Présentation de la machine à vecteurs de support (SVM)
- définition : La machine à vecteurs de support est un modèle d'apprentissage supervisé principalement utilisé pour les problèmes de classification de données. L'idée de base est de diviser les points de données via un hyperplan afin que les points de données de différentes catégories soient situés des deux côtés de l'hyperplan.
- Classification: Les machines à vecteurs de support sont principalement divisées en trois catégories : les machines à vecteurs de support linéairement séparables, les machines à vecteurs de support linéaires et les machines à vecteurs de support non linéaires.
2. Hyperplan et vecteur de support
- hyperplan : Dans l'espace à n dimensions, l'hyperplan est un sous-espace à n-1 dimensions. Dans un espace à deux dimensions, c'est une ligne droite ; dans un espace à trois dimensions, c'est un plan. L'hyperplan peut être exprimé sous la forme w^T * xb = 0, où w est le vecteur normal, b est l'origine et x est le point d'échantillonnage.
- vecteur de soutien : Le point d'échantillonnage le plus proche de l'hyperplan est appelé vecteur de support. Ces points jouent un rôle décisif dans la détermination de l'emplacement de l'hyperplan.
3. Maximisez l'intervalle
- intervalle de fonction: Pour un ensemble d'apprentissage et un hyperplan donnés, l'intervalle de fonction entre le point d'échantillonnage (x_i, y_i) et l'hyperplan est r_i
