Hỗ trợ máy tính bánh xe (SVMs) được giám sát mô hình học tập sử dụng cho phân loại và hồi quy nhiệm. Chúng dựa trên các nguyên tắc toán học giúp chúng tìm ra ranh giới quyết định tối ưu giữa các hạng dữ liệu khác nhau. Hiểu các nguyên tắc giúp thiết kế mô hình SVM hiệu quả cho nhiều ứng dụng.

Nhận xét toán học chính

Mục tiêu của SVM để xác định siêu máy bay tối đa các lề giữa các lớp khác nhau. Lề là khoảng cách giữa siêu máy bay và các điểm dữ liệu gần nhất từ mỗi hạng, được gọi là véc- tơ hỗ trợ. Vấn đề tối ưu bao gồm việc giảm thiểu một hàm số bậc hai đối tượng bị hạn chế các điểm dữ liệu là phân loại chính xác hoặc trong một lề nhất định.

Comment

Các hàm hạt nhân biến dữ liệu thành không gian không gian cao hơn, cho phép SVM xử lý các mối quan hệ không tuyến tính. Các hạt nhân chung bao gồm chức năng tuyến tính, đa thức và dạng cơ bản radal (RBF). Những hàm này cho phép SVM tìm ra các giới hạn quyết định không tuyến tính mà không cần tính toán rõ ràng sự chuyển đổi.

Các nguyên tắc thiết kế

Thiết kế SVM hiệu quả bao gồm việc chọn các chức năng hạt nhân thích hợp, điều chỉnh siêu chuẩn như tham số và tham số hạt nhân đều đặn, và tăng cường dữ liệu để cải thiện hiệu suất. Sự lựa chọn hạt nhân và tham số tùy thuộc vào việc phân phối dữ liệu và vấn đề cụ thể.

Dùng & trường hợp

  • Phân loại ảnh
  • Phân loại văn bản
  • Hình học sinh học, chẳng hạn phân loại gen
  • Dự báo tài chính