समर्थन वेक्टर मशीनें (SVM) वर्गीकरण और प्रतिगमन कार्यों के लिए उपयोग किए जाने वाले शिक्षण मॉडल की निगरानी की जाती है। वे गणितीय सिद्धांतों पर आधारित हैं जो उन्हें विभिन्न डेटा वर्गों के बीच इष्टतम निर्णय सीमाओं को खोजने में सक्षम बनाते हैं।

कोर गणितीय अवधारणा

SVM का उद्देश्य हाइपरप्लेन की पहचान करना है जो विभिन्न वर्गों के बीच मार्जिन को अधिकतम करता है। मार्जिन प्रत्येक वर्ग से हाइपरप्लेन और निकटतम डेटा बिंदुओं के बीच की दूरी है, जिसे सपोर्ट वेक्टर के रूप में जाना जाता है। अनुकूलन समस्या में एक उत्तल चतुर्भुज समारोह को कम करना शामिल है, जो कि डेटा बिंदुओं को सही ढंग से वर्गीकृत किया गया है या एक निश्चित मार्जिन के भीतर।

कर्नेल कार्य और गैर-रैखिक डेटा

कर्नेल कार्य डेटा को उच्च-आयामी स्थानों में बदल देते हैं, जिससे SVM को गैर-रैखिक संबंधों को संभालने की अनुमति मिलती है। आम कर्नेल में रैखिक, बहुपद और रेडियल आधार फ़ंक्शन (RBF) शामिल हैं। ये कार्य SVM को बिना किसी स्पष्ट रूप से परिवर्तन की गणना के गैर-रेखीय निर्णय सीमाओं को खोजने में सक्षम बनाते हैं।

डिजाइन सिद्धांत

प्रभावी SVM डिजाइन में उपयुक्त कर्नेल कार्यों का चयन करना, नियमितीकरण पैरामीटर और कर्नेल पैरामीटर जैसे ट्यूनिंग हाइपरपरोमीटर, और प्रदर्शन में सुधार के लिए डेटा को स्केल करना शामिल है। कर्नेल और पैरामीटर की पसंद डेटा वितरण और विशिष्ट समस्या पर निर्भर करती है।

मामले का प्रयोग करें

  • छवि वर्गीकरण
  • पाठ वर्गीकरण
  • जैवसूचना, जैसे जीन वर्गीकरण
  • वित्तीय पूर्वानुमान