Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

μια μηχανή υποστήριξης φορέα

1 Εισαγωγή στις μηχανές υποστήριξης διανυσμάτων:

Υποστήριξη Vector Machine (SVM) προτάθηκε για πρώτη φορά από την Corinna Cortes και τη Vapnik το 1995. Παρουσιάζει πολλά μοναδικά πλεονεκτήματα στην επίλυση μικρών δειγμάτων, μη γραμμικών και υψηλών διαστάσεων αναγνώρισης προτύπων.

2 Αρχή μηχανής διανυσματικής υποστήριξης:

Βρείτε ένα υπερεπίπεδο ταξινόμησης στον n-διάστατο χώρο και ταξινομήστε τα σημεία στο διάστημα Τα σημεία στη διακεκομμένη γραμμή ονομάζονται μηχανές διανύσματος υποστήριξης και η κόκκινη γραμμή στη μέση ονομάζεται υπερεπίπεδο αυξήστε την απόσταση μεταξύ όλων των σημείων και του σούπερ επιπέδου.



Για γραμμικά αδιαχώριστες καταστάσεις, η κοινή μας προσέγγιση είναι να χαρτογραφήσουμε τα χαρακτηριστικά του δείγματος σε έναν χώρο υψηλών διαστάσεων.
Ωστόσο, η αντιστοίχιση σε χώρο υψηλών διαστάσεων μπορεί να οδηγήσει σε πολύ μεγάλες διαστάσεις και περίπλοκους υπολογισμούς. Εδώ πάλι εισάγεται η συνάρτηση πυρήνα.

Συνάρτηση πυρήνα: Ονομάζεται επίσης μη γραμμική χαρτογράφηση, αντιστοιχίζει χαρακτηριστικά δείγματος σε χώρο υψηλών διαστάσεων και κατασκευάζει ένα βέλτιστο υπερεπίπεδο σε αυτόν τον χώρο.
Τύποι συναρτήσεων πυρήνα: γραμμικός πυρήνας, πολυωνυμικός πυρήνας, πυρήνας Gauss (rbf) κ.λπ.

Κανονική σταθερά C: αναφέρεται στον βαθμό περιορισμού του πολλαπλασιαστή Lagrange στο SVM


Όσο μεγαλύτερη είναι η τιμή της κανονικής σταθεράς, τόσο μεγαλύτερη είναι η ποινή, τόσο λιγότερο ανεκτικά σε σφάλματα, τόσο περισσότερα διανύσματα υποστήριξης, τα οποία μπορούν εύκολα να οδηγήσουν σε υπερπροσαρμογή.
Αντίθετα, όσο μικρότερη είναι η κανονική σταθερά, τόσο πιο εύκολο είναι να προκληθεί υποπροσαρμογή.

3 λειτουργίες SVM

one-versus-all (μέθοδος one-versus-all): Κατά τη διάρκεια της εκπαίδευσης, τα δείγματα μιας συγκεκριμένης κατηγορίας ταξινομούνται σε μια κατηγορία με τη σειρά τους και άλλα δείγματα που απομένουν ταξινομούνται σε μια άλλη κατηγορία. Με αυτόν τον τρόπο, n SVM κατασκευάζονται από το n κατηγορίες δειγμάτων.

One-versus-one (μέθοδος one-versus-one): Κατά τη διάρκεια της εκπαίδευσης, ένα SVM σχεδιάζεται μεταξύ δύο οποιωνδήποτε τύπων δειγμάτων, επομένως n (n-1)/2 SVMs πρέπει να σχεδιαστούν για n κατηγορίες δειγμάτων.

4 Χαρακτηριστικοί τύποι προεπεξεργασίας διανυσμάτων:

Κανονικές_μεταβλητές: κανονική ανάλυση συσχέτισης Στη γραμμική παλινδρόμηση, χρησιμοποιούμε ευθείες γραμμές για να προσαρμόσουμε τα σημεία δείγματος και να βρούμε τη γραμμική σχέση μεταξύ του διανύσματος χαρακτηριστικών n-διαστάσεων και του αποτελέσματος εξόδου Y.

Ανάλυση κύριας συνιστώσας: Η ανάλυση κύριου συστατικού (PCA) είναι μια στατιστική διαδικασία που χρησιμοποιεί έναν ορθογώνιο μετασχηματισμό για να μετατρέψει ένα σύνολο παρατηρούμενων τιμών πιθανών συσχετισμένων μεταβλητών σε ένα σύνολο τιμών γραμμικά ασύνδετων μεταβλητών που ονομάζονται κύριες συνιστώσες.