ماشین آلات پشتیبان بردار (SVM) مدل های یادگیری تحت نظارت برای طبقه بندی و وظایف رگرسیون هستند، آنها بر اساس اصول ریاضی هستند که آنها را قادر می سازد تا مرزهای تصمیم گیری بهینه بین کلاس های داده مختلف را پیدا کنند. درک این اصول به طراحی مدل های SVM موثر برای برنامه های مختلف کمک می کند.

مفاهیم ریاضی

SVMs هدف شناسایی هیپرسیاره است که حاشیه بین کلاس های مختلف را به حداکثر می رساند. حاشیه فاصله بین hyperplane و نزدیکترین نقاط داده از هر کلاس است که به عنوان بردار پشتیبانی شناخته می شود. مشکل بهینه سازی شامل به حداقل رساندن یک تابع چهار برابر پیچ و خم به محدودیت هایی است که نقاط داده به درستی طبقه بندی شده یا در یک حاشیه خاص.

توابع هسته ای و داده های غیر خطی

توابع هسته تبدیل داده ها به فضاهای بالاتر، اجازه می دهد SVM برای رسیدگی به روابط غیر خطی، هسته های مشترک شامل تابع خطی، ⁇ و شعاعی (RBF) این توابع SVM را قادر می سازد تا مرزهای تصمیم گیری غیر خطی را بدون به صراحت پردازش تحول پیدا کند.

اصول طراحی

طراحی موثر SVM شامل انتخاب توابع هسته مناسب، تنظیم هیپرپارمتر مانند پارامتر منظم و پارامترهای هسته، و داده های مقیاس پذیری برای بهبود عملکرد است.انتخاب کرنل و پارامترهای بستگی به توزیع داده ها و مشکل خاص دارد.

استفاده از کیس

  • تصویر طبقه بندی
  • برچسب های متن
  • Bioinformatics، مانند طبقه بندی ژن
  • پیش بینی مالی