Цель этого поста - дать быстрое освежение (таким образом, предполагается, что вы уже знакомы с материалом) концепции «SVN (Support Vector Machine)» (с использованием Python). Вы также можете рассматривать это как FAQ.
Что такого особенного в SVM?
Большинство алгоритмов классификации работают на основе поиска закономерностей на основе наиболее часто встречающихся явлений. В то время как алгоритм SVM ищет наименее распространенное явление.
Например, если у нас есть постановка задачи идентификации кошек и собак по заданным изображениям, и мы обучаем алгоритм, используя 500 изображений кошек и 500 изображений собак. Большинство алгоритмов классификации помещают наиболее часто встречающиеся признаки кошек с одной стороны и наиболее часто встречающиеся признаки собак с другой. И затем алгоритм прогнозирует на основе этого. Однако в SVM алгоритм ищет кошку, которая выглядит близко к собаке, и ищет собаку, которая выглядит близко к кошке. И на основе этих крайних точек алгоритм предсказывает, является ли изображение кошкой или собакой.
******************************************
Пример кода для реализации алгоритма SVM?
из sklearn.svm импортировать SVC
classifier = SVC (kernel = ‘rbf’, random_state = 0)
classifier.fit (X_train, y_train)
Далее: - Наука о данных (Python) :: Kernel SVM (Машина опорных векторов ядра)
Предыдущая: - Наука о данных (Python) :: K-NN (K - Ближайшие соседи)
