การรองรับเครื่องจักร Akregators (SVM) เป็นอัลกอริทึมการเรียนรู้แบบครอบคลุมที่มี ประสิทธิภาพ ซึ่งใช้สําหรับการจัดหมวดหมู่และการทํางานแบบถดถอย โดยการทํางานโดยการค้นหาขอบเขตที่เหมาะสมที่สุดที่แยกคลาสต่างๆ ในพื้นที่คุณสมบัติที่แสดงในขอบเขต มัคคุเทศก์นี้จะให้ภาพรวมของการใช้งาน SVM
การรองรับการรองรับเครื่องช่วยดาวน์โหลด
SVM จุดมุ่งหมายที่จะระบุค่าระนาบไฮเปอร์เบินที่ขยายขอบระหว่างคลาสที่แตกต่างกัน ค่าขอบนี้หมายถึงระยะห่างระหว่างระนาบไฮเปอร์และจุดข้อมูลที่ใกล้ที่สุดจากแต่ละคลาส ที่รู้จักกันในชื่อเวกเตอร์รองรับ ค่าขอบใหญ่คือ ค่าความจุทั่วไปของแบบจําลองที่ดีกว่า
การ รักษา ด้วย การ ผ่าตัด
การเพิ่มข้อมูล SVMs เกี่ยวข้องกับการเลือกเคอร์เนลด้านขวา, ไฮน์สปอร์ต ไฮเปอร์พาร์เมเตอร์ และประมวลผลข้อมูลก่อนเคอร์เนลทั่วไปมีฟังก์ชันแบบเชิงเส้น, พหุนาม, และฟังก์ชันพื้นฐานเชิงกว้าง (RBF) ข้อมูลที่เหมาะสม จะช่วยเพิ่มประสิทธิภาพของ SVM โดยเฉพาะกับเคอร์เนลแบบไม่เชิงเส้น
ขั้น ตอน สําคัญ ๆ สําหรับ การ อิ่ม ใจ
- ข้อมูลเบื้องต้นโดยปรับให้พอดีหรือมาตรฐาน
- เลือกเคอร์เนลที่เหมาะสม โดยใช้ความซับซ้อนของข้อมูล
- ใช้การค้นหาหรือข้ามเส้นเวลาเพื่อปรับค่าความโปร่งแสง เช่น C และแกมม่า
- ฝึกรุ่น SVM ในชุดข้อมูลการฝึก
- จง ตรวจ สอบ แบบ จําลอง โดย ใช้ เมตริก เช่น ความ ถูก ต้อง แม่นยํา และ การ จํา.