ОПОРНЫЕ ВЕКТОРНЫЕ МАШИНЫ
импорт SupportVectorMachines как SVM **улыбается**
SVM — это алгоритмы, обычно используемые для моделей машинного обучения с учителем, и они чаще всего используются для задач классификации. Машина опорных векторов — это селективный классификатор, формально определяемый делением гиперплоскости. SVM работает, разделяя данные на разные классы с помощью гиперплоскости. Эта гиперплоскость поддерживается за счет использования опорных векторов. Опорные векторы используются для обеспечения максимально возможного запаса гиперплоскости. В двумерном пространстве эта гиперплоскость представляет собой линию, разделяющую плоскость на две части, где каждый класс лежит по обе стороны. Цель алгоритма машины опорных векторов состоит в том, чтобы найти гиперплоскость в N-мерном пространстве, которая раздельно классифицирует точки данных.
Предположения
· SVM применим в линейных и нелинейных наборах данных.
· Опорные векторы являются наиболее ценными точками данных, поскольку они, скорее всего, будут неправильно классифицированы.
· SVM, возможно, лучший метод выбора, особенно там, где трудно установить хорошую гиперплоскость разделения.
Преимущества
· Высокая степень точности SVM в задачах классификации является его основным преимуществом перед другими алгоритмами классификации.
· Еще одним ключевым преимуществом SVM является его интуитивность.
· Алгоритм SVM имеет широкий спектр применений, таких как обнаружение лиц, распознавание рукописного ввода, классификация электронной почты, классификация веб-сайтов и т. д.
· Он имеет динамическую применимость в пространствах больших размеров с высокой эффективностью, где количество измерений больше, чем количество образцов.
· Машина опорных векторов сравнительно эффективна в использовании памяти.
Недостатки
· SVM не имеет высокой применимости для больших наборов данных.
· Его эффективность находится под вопросом, когда набор данных имеет больше шума, например, в перекрывающихся целевых классах.
· SVM работает неэффективно, когда количество признаков для каждой точки данных больше, чем число выборок обучающих данных.
· Так как классификатор опорных векторов работает, размещая точки данных по обеим сторонам классифицирующей гиперплоскости, нет вероятностного уточнения для классификации, хотя это желательно в большинстве случаев классификации.
Приложения
. SVM используется для наблюдения за лицами и классификации изображений; Он используется для обнаружения лиц и обеспечивает значительно более высокую точность поиска, чем традиционные схемы уточнения запросов.
. SVM имеет широкое применение в биологических и медицинских науках, таких как лаборатория, ДНК, исследования и т. Д. Они использовались для классификации белков, при этом до 90% соединений классифицировались правильно. Пятна удаленной гомологии используются для классификации на функциональные и структурные классы с учетом их аминокислотных последовательностей.
. Метод категоризации SVM используется для поиска важной или необходимой информации для упорядочения текста и распознавания рукописного ввода.
. SVM также применяется для классификации спутниковых данных, таких как SAR (радар с синтезированной апертурой; форма радара, которая используется для создания двумерных изображений или трехмерных реконструкций объектов, таких как ландшафты).
. SVM также применяется для прогнозов в обобщенном прогнозирующем управлении (GPC).
Источники:
Предположения алгоритмов машинного обучения (thecleverprogrammer.com)
Машина опорных векторов в машинном обучении — GeeksforGeeks
Машина опорных векторов — Википедия
Машины опорных векторов (SVM) в Python с Sklearn • datagy
Alisneaky Vector: Zirguezi — собственная работа на основе: Kernel Machine.png, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=47868867
