¿Qué significa soportar una máquina vectorial (SVM)?

¿Qué significa soportar una máquina vectorial (SVM)?

Recientemente he aprendido a aprender máquinas y vi en reddit el post de Please explain Support Vector Machines (SVM) like I am a 5 year old, ¡una palabra de agradecimiento!

• ¿Qué es el SVM?

  Es compatible con las máquinas vectoriales de soporte (SVM).

  Por supuesto, primero hay que ver la wiki. Las máquinas vectoriales de soporte son modelos de aprendizaje utilizados para la clasificación: ¿qué individuos en una población pertenecen a dónde?

  Bueno, la historia es la siguiente:

  En el antiguo Día de San Valentín, el gran hombre quiere salvar a su amante, pero el diablo juega un juego con él.

  El diablo coloca en la mesa, aparentemente con regularidad, dos bolas de dos colores, y dice: "¿Qué haces si las separan con un palo?" y pide: "Trabaja lo más posible para que las bolas sigan siendo válidas después de haber sido lanzadas".

  

  ¿Qué es lo mejor que puede hacer el gran maestro?

  

  Luego el diablo, con más bolas en la mesa, parece que una cancha está en el campo equivocado.

  

  El SVM es tratar de colocar el palo en la mejor posición posible para que haya el mayor espacio posible entre ambos lados del palo.

  

  Ahora, incluso si el diablo pone más bolas, el palo sigue siendo una buena línea divisoria.

  

  Luego, hay otro truco más importante en la caja de herramientas de SVM. El diablo ve que el Gran Hombre ha aprendido un truco, por lo que el diablo le da un nuevo reto al Gran Hombre.

  

  Ahora, el gran hombre no tiene bastón que le ayude a separar las dos bolas, ¿y ahora qué? Por supuesto, como en todas las películas de lucha libre, el gran hombre golpea la mesa y la bola vuela al aire. Luego, con la ayuda del gran hombre, el gran hombre agarra un papel y lo mete en el medio de las dos bolas.

  

  Ahora, desde el punto de vista del diablo, las bolas parecen estar separadas por una curva.

  

  Y después, los adultos se aburren y llaman a las bolas "datos", a los palos "clasificadores", al truco de mayor intervalo "optimización", a las tablas "kernelling", al papel "hyperplane".

  Un video de demostración

  Para más información:

  • Por favor, explique Support Vector Machines (SVM) como si fuera un niño de 5 años.

  • Las máquinas de vectores de apoyo bien explicadas

  • https://www.youtube.com/watch?v=3liCbRZPrZA

• Los usuarios pueden obtener respuestas confiables

  
  
  
  

• El usuario Han Oliver respondió:

  ¿Qué es el SVM?

  SVM - support vector machine, también conocido como support vector machine, es un algoritmo de aprendizaje supervisado, perteneciente a la categoría de clasificación. En aplicaciones de minería de datos, se corresponde y se distingue del clustering no supervisado. Se utiliza ampliamente en el aprendizaje automático (Machine Learning), la visión del ordenador (Computer Vision) y la minería de datos (Data Mining). El SVM funciona más o menos como se muestra en el gráfico 1.

  

  Supongamos que queremos dividir el círculo de centro real y el círculo de centro vacío en dos categorías a través de la línea de tres y ocho. En el caso de los que no lo hacen, entonces hay un sinnúmero de líneas que pueden hacer esta tarea. En el SVM, buscamos una línea divisoria óptima para que tenga el mayor margen a ambos lados. En este caso, los puntos de datos en los que el borde es más grueso se llaman vectores de soporte, que es también la fuente del nombre del algoritmo de clasificación.

  La expansión a dimensiones arbitrarias n y hasta dimensiones infinitas, como en la Figura 2.

  

  Tenemos un montón de puntos de datos en un espacio n-dimensional a infinito-dimensional, Entonces uno siempre puede encontrar un hiperplano óptimo que siempre está en la dimensión n-1.

  Y por último, Dirección estadística: Máquinas de vector de soporte (SVM) wiki:Machina de vectores de soporte Las lecciones:columbia.eduPágina de En la página web de la organización, se muestra una serie de herramientas que pueden ayudar a los usuarios de las escaleras a tomar las medidas adecuadas.http://youtu.be/3liCbRZPrZA

Traducido y traducido por