Technology sharing

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

in subsidium vector machina

I Introductio ad machinas vector sustentandas:

Support Vector Machina (SVM) a Corinna Cortes et Vapnik anno 1995 primum proposita est. Multas singulares utilitates ostendit in parvis exempli gratia solvendis, nonlinearibus et altae dimensivarum exemplarium recognitionibus.

2 Support vector machina principium:

Classificationem hyperplane in spatio dimensio invenias et puncta in spatio indica. Puncta in linea punctata vocantur machinarum vector Supprot Verctor, et linea rubra in medio dicitur super planum distantiam inter omnia puncta et super planum auge.



Communis accessus noster pro linealiter inseparabilis est ad specimen lineamenta in spatio summus dimensiva describendam.
Attamen destinata ad spatium dimensivum altum provenire potest in dimensionibus nimis magnis et calculis complicatis. Hic rursus munus acinum introducitur;

Munus kernel: destinata etiam nonlinearibus dicta, mappas specimenque ad spatium summus dimensivum et optimalem hyperplanem in hoc spatio construit.
nuclei functionis nuclei: nuclei lineares, nuclei polynomiae, nuclei Gaussiani (rbf) etc.

Constans regularis C: refertur ad gradum coactionis multiplicatoris in SVM


Quo maior aestimatio regularis constantis, eo maior poena, eo minus tolerans errorum, eo magis vectores sustinent, qui facile ad superfluitatem ducere possunt.
Sed contra, quanto constantior est assiduitas, tanto facilius sustinet.

III SVM modos

unus versus omnes (unus versus omnis modus): In disciplina, exemplaria cuiusdam categoriae in unum categoriam per vices collocantur, et alia alia exempla in aliam categoriam collocantur. Hoc modo n SVMs construuntur a n . genera exemplorum.

Unus versus unus (unus versus modus): In disciplina, an SVM inter aliqua duo genera exemplorum constituitur, ideo n (n-1)/2 SVMs opus est ad n genera exemplorum designari.

4 Pluma vector preprocessing genera:

canonical_variates: correlationi canonum analysi. In regressione lineari, rectis lineis utimur ad puncta specimen apta, et invenimus relationem linearem inter vectorem X et output exitum Y;

Analysis principalis componentis: Analysis componentis principalis (PCA) est processus statisticus qui utitur transmutatione orthogonali ad convertendum statutum valorum observatorum variabilium possibilium connectentium in statuto valorum variabilium linearly uncorrelated, quae principalium partium appellatur;