Úvodní stránka | Tato stránka v originále

Podpůrný vektorový stroj

podporovat stroj vektoru (SVM) je kontrolovaná učící technika nejprve projednaná Vladimir Vapnik. SVM je maximum-okraj hyperplane to leží v nějakém prostoru. Příklady poskytovaného školení značený jeden “ano” nebo “ne”, maximum-hyperplane okraje se rozštěpí “ano” a “ne” cvičit příklady, takový to vzdálenost z nejbližších příkladů ( okraj) k hyperplane je maximalizovaný.

Použití maxima-hyperplane okraje je motivován statistickou učící teorií, který poskytuje probabilistic testovací chybu spojený který je minimalizován, když okraj je maximalizovaný.

Jestliže tam existuje žádné hyperplane, které mohou se rozštěpí “ano” a “ne” příklady, SVM si vybere hyperplane, který rozdělí příklady co nejvíce čistě, zatímco ještě maximalizuje vzdálenost do nejbližších čistě rozdělených příkladů.

Parametry maxima-hyperplane okraje jsou odvozeny tím, že řeší kvadratické programování (QP) optimalizační problém. Tam existuje několik specializovaných algoritmů pro rychle vyřešení QP problému, které se vynoří z SVMs.

Originál SVM byl lineární classifier. Nicméně, Vapnik navrhl používat jádrový trik (původně navrhoval Aizerman). V jádrovém triku, každý čas lineární algoritmus používá skalární součin, nahradit to s nelineární jádrová funkce. Toto způsobí lineární algoritmus pracovat v různém prostoru. Pro SVMs, používat jádro trik dělá maximální okraj hyperplane být připevněn v prostoru rysa. Prostor rysa je nelineární mapa od originálního vstupního prostoru, obvykle mnohem vyšší rozměrnosti než originální vstupní prostor. Tímto způsobem, nelineární SVMs může být vytvořen. Jestliže jádro používalo je základ radiální pneumatiky funkce, korespondenční rysový prostor je Hilbert prostor nekonečného rozměru. SVMs je dobře uspořádaný, tak nekonečný rozměr nekazí výsledky.

Odkazy

Externí odkazy