[Analisis Prinsip AI]—Mendukung Prinsip Mesin Vektor
2024-07-08
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Daftar isi
1. Ikhtisar Mesin Vektor Dukungan (SVM)
2. Hyperplane dan vektor pendukung
3. Maksimalkan intervalnya
4. Masalah optimasi
5. Fungsi inti
6. Ringkasan
1. Ikhtisar Mesin Vektor Dukungan (SVM)
- definisi : Mesin vektor dukungan adalah model pembelajaran terawasi yang terutama digunakan untuk masalah klasifikasi data. Ide dasarnya adalah untuk membagi titik data melalui hyperplane sehingga titik data dari kategori berbeda terletak di kedua sisi hyperplane.
- Klasifikasi: Mesin vektor pendukung terutama dibagi menjadi tiga kategori: mesin vektor pendukung yang dapat dipisahkan secara linier, mesin vektor pendukung linier, dan mesin vektor pendukung nonlinier.
2. Hyperplane dan vektor pendukung
- pesawat hiper : Dalam ruang n-dimensi, hyperplane adalah subruang n-1 dimensi. Dalam ruang dua dimensi berbentuk garis lurus; dalam ruang tiga dimensi berbentuk bidang. Hyperplane dapat dinyatakan sebagai w^T * xb = 0, dengan w adalah vektor normal, b adalah titik potong, dan x adalah titik sampel.
- vektor pendukung : Titik sampel yang paling dekat dengan hyperplane disebut vektor pendukung. Titik-titik ini memainkan peran yang menentukan dalam menentukan lokasi hyperplane.
3. Maksimalkan intervalnya
- interval fungsi: Untuk himpunan pelatihan dan hyperplane tertentu, interval fungsi dari titik sampel (x_i, y_i) ke hyperplane adalah r_i
