[PYTHON] Maschinelles Lernen ① SVM-Zusammenfassung (Support Vector Machine)

Zusammenfassung der Support Vector Machine

What is SVM ?

Kurz gesagt, SVM ist ein überwachtes Modell für maschinelles Lernen, das eine Linie zeichnet, die Daten in zwei Teile teilt. Derzeit gibt es Prioritäten.

1. Gruppieren Sie die Daten genau. (Außer Ausreißer)
2. Maximieren Sie den Rand, den Unterschied zwischen Linien und Punkten.

Standardcode

python

from sklearn.svm import SVC

SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, 
probability=False, tol=0.001, cache_size=200, class_weight=None, 
verbose=False, max_iter=-1, decision_function_shape=None, random_state=None)

Beschreibung des Parameters in SVM

• C

C ist ein Parameter, der bestimmt, wie viel Fehlklassifizierung toleriert wird. Je höher der Wert von C ist, desto genauer ist die Klassifizierung der Daten. Das heißt, es ist tendenziell eine kompliziertere Linie. Beachten Sie, dass Sie sich in einem Zustand des Überlernens befinden, wenn Sie es zu groß machen.

According to the 'Introduction to Machine Learning' from Udacity

• kernel Grundsätzlich sind zwei Typen zu verwenden: Linear, ein linearer Kernel, und rbf, ein nichtlinearer Kernel. Übrigens trennt Linear die Daten mit geraden Linien und rbf trennt die Daten mit gekrümmten und komplexeren Linien.

• gamma Dies bestimmt, welcher Punkt wichtiger ist, der Punkt näher an der Linie oder der Punkt weiter von der Linie entfernt. Mit anderen Worten, je größer der Wert ist, desto wichtiger ist der Rand mit nahegelegenen Punkten, und infolgedessen wird die Linie kompliziert.

According to the 'Introduction to Machine Learning' from Udacity

Wenn Sie es jedoch verkleinern, wird der Rand mit einem entfernten Punkt wichtiger, sodass die Linie bis zu einem gewissen Grad einfacher wird.

According to the 'Introduction to Machine Learning' from Udacity

Die Vor- und Nachteile von SVM.

• guter Punkt Es sind nur wenige Parameter zu optimieren. Selbst wenn die Merkmalsdatenmenge hochdimensional wird, kann damit umgegangen werden.

--Schlechter Punkt Wenn die Daten Rauschen enthalten (in der obigen Abbildung befindet sich eine kleine Anzahl von Kreisen im Bereich von Kreisen oder eine kleine Anzahl von Kreisen im Bereich von Kreisen) und die Daten sind beendet. Wenn es umbrochen wird (in der obigen Abbildung sollte die Linie in der Mitte gezeichnet werden und viele Kreise und Kreuze gemischt werden), ist es schwierig, die Daten sauber zu klassifizieren.

Zusammenfassung

Das Obige ist der Umriss von SVM, soweit ich verstehen kann. Wir werden es täglich aktualisieren. Wenn Sie also etwas hinzufügen oder reparieren müssen, würden wir uns freuen, wenn Sie einen Kommentar abgeben könnten.