Цель этого поста - дать быстрое освежение (таким образом, предполагается, что вы уже знакомы с материалом) концепции «Kernel SVN (Kernel Support Vector Machine)» (с использованием Python). Вы также можете рассматривать это как FAQ.
Чем лучше SVM ядра чем SVM?
SVM помогает там, где может быть линейное разделение между классификациями. Однако мы можем встретить наборы данных, в которых разделение лайнеров невозможно. Это то место, где поможет Kernel SVM.
*****************************************
Каковы основные принципы работы Kernel SVM?
Когда у нас есть набор данных (2 независимые переменные, то есть в 2D-пространстве), который нельзя разделить линейно, мы пытаемся добавить еще одно измерение в набор данных. Мы добавляем еще одно измерение к набору данных, используя так называемую «функцию сопоставления». Когда мы используем функцию отображения, мы получаем данные, нанесенные на график в трехмерном пространстве (1D добавляется к нашему исходному 2D), а затем у нас может быть гиперплоскость (линия в трехмерном пространстве), которая дает нам разделение.
*****************************************
В чем недостатки Kernel SVM?
При попытке сопоставить с более высоким измерением (реализация Kernel SVM) вся операция требует чрезвычайно больших вычислительных ресурсов. И, таким образом, это требует огромной вычислительной мощности (читайте «Аппаратное обеспечение!»).
****************************************
Какие существуют типы SVM ядра?
Гауссов RBF
сигмоид
многочлен
****************************************
Пример кода для Kernel SVM?
из sklearn.svm импортировать SVC
classifier = SVC (kernel = ‘rbf’, random_state = 0)
classifier.fit (X_train, y_train)
*****************************************
Далее: - Наука о данных (Python) :: Наивный Байес
Предыдущая: - Наука о данных (Python) :: SVM (машина опорных векторов)
