・ À propos de SVM (Support Vector Machine) ・ Enfin, comme passe-temps personnel, utilisez-le dans le shogi informatique J'ai essayé ensemble.

1. 1. Présentation de SVM

SVM：Understanding Support Vector Machine algorithm from examples (along with code) http://www.analyticsvidhya.com/blog/2015/10/understaing-support-vector-machine-example-code/?utm_content=buffer4951f&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer

Bien que ce soit un article en anglais, ceci est ma recommandation personnelle. Le concept de SVM est expliqué graphiquement sans explication par formule, Je pense que c'est très facile de s'entendre.

・ Classifier en dessinant la surface limite -Puisqu'aucune moyenne ou variance n'est utilisée, même si des données sont insérées ou modifiées, Pas besoin de recalcul global Tu peux voir ça.

2. À propos de la méthode appelée SVM

Résume PRML (reconnaissance de formes et apprentissage automatique) J'ai déjà un super article, voyez ça.

1). SVM linéaire

http://aidiary.hatenablog.com/entry/20100501/1272712699

Ce qui précède ne définit pas strictement comment dessiner l'interface, Un problème d'optimisation qui maximise la marge (la distance la plus courte entre la limite de classification et les données d'apprentissage). Vous pouvez voir que vous devez résoudre le double problème du problème de planification convexe.

2). SVM non linéaire

http://aidiary.hatenablog.com/entry/20100502/1272804952

En faisant de la marge une fonction non linéaire, une classification plus complexe est possible. Cependant, même avec cela, la classification est difficile en cas de chevauchement.

3). SVM à marge souple

http://aidiary.hatenablog.com/entry/20100503/1272889097

Jusqu'à présent, on l'appelle SVM à marge rigide, C'était une technique qui supposait que les données pouvaient être complètement séparées dans l'espace d'entrée x.

D'autre part, la marge souple SVM est utilisée pour surmonter la classification en cas de chevauchement comme décrit ci-dessus. C'est une méthode qui pénalise les erreurs de classification.

Plus il y a d'erreurs de classification, plus de pénalités sont ajoutées pour éviter la minimisation. Par conséquent, essayez de minimiser autant que possible les erreurs de classification. Il essaiera d'ajuster les paramètres.

Plus la pénalité est élevée, plus le classement est précis. Peu importe la précision des limites de classification ...

3. 3. Utilisation de SVM dans le shogi informatique

Prédiction de colmatage par SVM et son application Makoto Miwa, Département d'informatique fondamentale, École supérieure de science de la création de nouveaux domaines, Université de Tokyo (à l'époque) http://repository.dl.itc.u-tokyo.ac.jp/dspace/bitstream/2261/187/1/K-00177.pdf

SVM est utilisé pour prédire le colmatage dans le shogi.

En shogi, il est très important de juger s'il y a un blocage, "En utilisant la prédiction de colmatage à l'aide de SVM, nous avons pu réduire le temps de recherche à 62%." C'est le but de cet article.

Pour le shogi informatique ・ Application de l'apprentissage automatique aux fonctions d'évaluation ・ Algorithme de recherche pour rechercher des aspects Il est écrit en détail sur, donc je pense que ce sera très éducatif.

Dans "2. A propos de la méthode appelée SVM", j'ai expliqué étape par étape. En pratique, du coût de calcul et de la simplicité, il est d'environ 1. Je pense que le SVM linéaire de est suffisant.

Il existe des études qui appliquent la SVM non linéaire, mais je pense personnellement que c'est contre-productif. La précision obtenue est très faible pour le coût de calcul.

Supplément: Utilisation de l'apprentissage automatique dans le shogi informatique et aller http://www.slideshare.net/TakashiKato2/ss-57966067

Je l'ai soulevé moi-même, mais voyez ici comment utiliser l'apprentissage automatique dans le shogi informatique.