Tukivektorikoneet (SVMs) ovat valvottuja oppimismalleja, joita käytetään luokittelu- ja regressiotehtävissä. Ne perustuvat matemaattisiin periaatteisiin, joiden avulla ne voivat löytää optimaaliset päätöksentekorajat eri tietoluokkien välillä. Näiden periaatteiden ymmärtäminen auttaa suunnittelemaan tehokkaita SVM-malleja eri sovelluksiin.

Ydinmatemaattiset käsitteet

SVMs tavoitteena on tunnistaa hyperplane, joka maksimoi marginaalin eri luokkien välillä. Marginaali on etäisyys hyperplane ja lähimmät tietopisteet kunkin luokan, joka tunnetaan tukivektorit. Optimointi ongelma sisältää minimoimalla kupera quadratic funktion edellyttäen, että datapisteet on oikein luokiteltu tai tietyn marginaalin.

Ytimen toiminnot ja epälineaariset tiedot

Ytimen toiminnot muuntaa dataa korkeampiulotteisiksi välilyönneiksi, jolloin SVM:t voivat käsitellä epälineaarisia suhteita. Yhteiset ytimet sisältävät lineaarisen, polynomin ja säteittäisen perustan funktion (RBF). Nämä toiminnot mahdollistavat SVM:n löytävän epälineaariset päätösrajat ilman nimenomaisesti tietojenkäsittelyn.

Suunnitteluperiaatteet

Tehokas SVM suunnittelu edellyttää valittaessa asianmukaisia ytimen toimintoja, virittämällä hyperparametreja, kuten laillistamisen parametri ja ytimen parametrit, ja skaalaamalla tietoja suorituskyvyn parantamiseksi. Ytimen ja parametrien valinta riippuu tiedon jakelusta ja erityisestä ongelmasta.

Käyttötapaukset

  • Kuvan luokittelu
  • Tekstin luokittelu
  • Bioinformatiikka, kuten geeniluokitus
  • Rahoitusennusteet