[AI Principium Analysis] -Support Vector Machina Principium
2024-07-08
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Tabula contentorum
1. Overview of Support Vector Machina (SVM)
2. Hyperplane et firmamentum vector
3. Maximize spatium
4. Optimization quaestio
5. Kernel function
6. Libri
1. Overview of Support Vector Machina (SVM)
- definition : machina vector Support est procuratio eruditionis exemplar maxime adhibitum ad problemata classificationis data. Praecipua idea est puncta data per hyperplanum dividere ut puncta diversarum praedicamentorum data utrinque hyperplani sint.
- Classification: Machinae vectoris sustentandae maxime in tria genera dividuntur: machinis vectoris linearibus sustentandis, machinis vectoris linearibus sustentandis, machinis vectoris nonlinearibus sustentandis.
2. Hyperplane et firmamentum vector
- hyperplane : Hyperplane in spatio n-dimensionali subspatium 1-dimensionale est. In spatio duo dimensiva est recta linea; Hyperplane exprimi potest ut w^T* xb = 0, ubi w est vector normalis, b est interceptus, et x punctum specimen est.
- support vector : Specimen punctum proximum hyperplani vector sustentans dicitur. Haec puncta partes definitivae habent locum hyperplani determinandum.
3. Maximize spatium
- munus intervallum: Pro data institutione positae et hyperplane, munus intervallum a puncto sample (x_i, y_i) ad hyperplanum est r_i.
