서포트 벡터 머신 예제

지금까지, 난 당신이 지금 임의의 숲, 순진한 베이즈 알고리즘과 앙상블 모델링을 마스터 한 바랍니다. 그렇지 않다면 몇 분을 꺼내서 그것에 대해서도 읽으라고 제안합니다. 이 기사에서는 기본 을 통해 중요한 기계 학습 알고리즘의 고급 지식, 지원 벡터 머신을 안내합니다. 여기서 { {디스플레이 스타일 {vec {w}}}는 초평면에 대한 정규 벡터(반드시 정규화되지는 않음)입니다. 이것은 헤세 일반 양식과 비슷하지만, w → {displaystyle {vec {w}}가 반드시 단위 벡터가 아님을 제외하면. 매개 변수 B는 → w → {디스플레이 스타일 {tfrac {b}{{{{{{{{{{{{{{{{{{{{{{ vec {w}}}}}} 일반 벡터 w → {displaystyle {vec {w}}}를 따라 원점에서 초평면의 오프셋을 결정합니다. 각 이미지에는 [62×47] 또는 거의 3,000픽셀이 포함되어 있습니다. 각 픽셀 값을 기능으로 사용하여 진행할 수 있지만, 종종 일종의 전처리기를 사용하여 더 의미 있는 기능을 추출하는 것이 더 효과적입니다. 여기서는 주 성분 분석(심층: 주성분 분석 참조)을 사용하여 150개의 기본 구성 요소를 추출하여 지원 벡터 기계 분류기에 공급합니다.

우리는 단일 파이프 라인에 전처리기와 분류기를 패키징하여 가장 간단하게이 작업을 수행 할 수 있습니다 : 원래 문제는 유한 한 차원 공간에 명시 될 수 있지만, 종종 구별하는 세트가 선형으로 분리되지 않는 경우가 있습니다. 공간. 이러한 이유로 원래의 유한한 차원 공간을 훨씬 더 높은 차원 의 공간으로 매핑하여 아마도 그 공간에서 분리를 더 쉽게 만들 것을 제안했습니다. 계산 하중을 합리적으로 유지하기 위해 SVM 스키마에서 사용하는 매핑은 입력 데이터 벡터 쌍의 도트 곱이 원래 공간의 변수 측면에서 쉽게 계산될 수 있도록 설계되었으며, 커널 함수 k (x x)의 관점에서 정의합니다. y) {displaystyle k(x,y)}} 문제에 맞게 선택되었습니다. [5] 고차원 공간의 초평면은 해당 공간에 벡터가 있는 점 생성물이 일정한 점 집합으로 정의되며, 여기서 이러한 벡터 세트는 초평면을 정의하는 직교(따라서 최소) 벡터 집합입니다. 하이퍼평면을 정의하는 벡터는 데이터 베이스에서 발생하는 피처 벡터 x{displaystyle x_{i}}의 이미지에 대한 매개변수 α i {displaystyle alpha _{i}}와 선형 조합으로 선택할 수 있습니다. [설명 필요] 이 초평면 선택을 사용하면 하이퍼플레인에 매핑되는 피처 공간의 점 x {displaystyle x}는 관계에 의해 정의됩니다.

 
Mobile Site

Follow Us On Facebook Follow Us On Twitter Follow Us On Google + Follow Us On LinkedIn Follow Us On You Tube Copyright 2019 © All Rights Reserved. Powered by - ARE Network Solutions