Γλώσσα :
SWEWE Μέλος :Σύνδεση |Εγγραφή
Αναζήτηση
Εγκυκλοπαίδεια της κοινότητας |Εγκυκλοπαίδεια Απαντήσεις |Υποβολή ερωτήματος |Λεξιλόγιο Γνώση |Ανεβάστε τη γνώση
Προηγούμενος 1 Επόμενος Επιλέξτε Σελίδες

Support Vector Machine

SVM (Support Vector Machine, SVM) είναι ίση με Corinna Cortes και Vapnik8 προτάθηκε για πρώτη φορά το 1995, αντιμετωπίζει το μικρό μέγεθος του δείγματος, μη γραμμικά και υψηλής διαστάσεων αναγνώριση προτύπων εμφανίζουν πολλά μοναδικά πλεονεκτήματα και να είναι σε θέση να λειτουργήσει με στόχο την προώθηση της χρήσης των αδρανή και άλλα προβλήματα μηχανικής μάθησης.

Σύντομη εισαγωγή

Υποστήριξη μέθοδος Machine Vector βασίζεται στη στατιστική θεωρία μάθησης και τη θεωρία της VC διάσταση με βάση τη δομική αρχή της ελαχιστοποίησης των κινδύνων, σύμφωνα με τις περιορισμένες πληροφορίες για δείγμα πολυπλοκότητα μοντέλο (δηλαδή, ειδικά δείγματα εκπαίδευσης για την εκμάθηση ακρίβεια) και την ικανότητα μάθησης (δηλαδή, χωρίς λάθη η ικανότητα να εντοπίσει τυχόν δείγματα) για να βρείτε τον καλύτερο συμβιβασμό μεταξύ, προκειμένου να πάρει την καλύτερη ικανότητα γενίκευσης.Γνώση

Εμείς συνήθως θέλουν διαδικασία ταξινόμησης είναι μια διαδικασία μηχανικής μάθησης. Αυτά τα σημεία δεδομένων είναι n-διάστατο χώρο πραγματικό σημείο. Ελπίζουμε να είναι σε θέση να θέσει αυτά τα σημεία μέσω ενός n-1 διαστάσεων hyperplane χώρια. Συνήθως αυτό ονομάζεται ένα γραμμικό ταξινομητή. Υπάρχουν πολλοί ταξινομητές είναι σύμφωνη με την απαίτηση αυτή. Αλλά θέλουμε επίσης να βρείτε την καλύτερη κατάταξη του αεροπλάνου, ακόμη και με ανήκουν σε δύο διαφορετικές κατηγορίες των σημείων δεδομένων ότι το μεγαλύτερο διάστημα της επιφάνειας, το αεροπλάνο, επίσης γνωστή ως η μεγαλύτερη υπερεπίπεδο περιθώριο. Αν μπορούμε να βρούμε την επιφάνεια, τότε ο ταξινομητής που ονομάζεται μέγιστη ταξινομητή περιθώριο.

Υποστηρίξτε την αιτία

Οι φορείς μηχάνημα υποστήριξης διάνυσμα αντιστοιχίζεται σε ένα υψηλότερο διαστάσεων χώρο, σε αυτό το χώρο να καθοριστεί ένα ανώτατο hyperplane περιθώριο. Τα δεδομένα στο ξεχωριστό υπερεπιπέδου πλευρές έχει δύο αμοιβαία παράλληλες υπερεπίπεδα. Καθιέρωση κατάλληλη κατεύθυνση για να κάνει δύο χωριστές παράλληλες υπερεπίπεδο να μεγιστοποιηθεί η απόσταση μεταξύ του υπερεπίπεδο. Η υπόθεση είναι, η απόσταση μεταξύ των παράλληλων υπερεπίπεδα ή όσο μεγαλύτερη είναι η διαφορά, τόσο μικρότερο το συνολικό σφάλμα του ταξινομητή. Μια εξαιρετική οδηγός είναι CJC Burges "αναγνώριση SVM μοτίβο Guide."

Υποστήριξη Επισκόπηση φορέα

Οι λεγόμενες φορείς υποστήριξης είναι εκείνες στην άκρη του δείγματος σημείου διάστημα της κατάρτισης. Εδώ η "μηχανή (μηχανή,)" είναι στην πραγματικότητα ένας αλγόριθμος. Στον τομέα της μηχανικής μάθησης, ορισμένοι αλγόριθμοι συχνά θεωρείται ως μια μηχανή.

SVM (μηχανές διανυσμάτων υποστήριξης SVM) και το νευρωνικό δίκτυο παρόμοιο, μαθαίνουν μηχανισμό, αλλά το νευρωνικό δίκτυο είναι διαφορετικό SVM χρησιμοποιώντας μαθηματικές μεθόδους και τεχνικές βελτιστοποίησης.

Σχετικά τεχνική υποστήριξη

Support Vector Machine οδηγείται από Vapnik AT & TBell ερευνητική ομάδα εργαστηριακής πρότεινε το 1995 μια νέα πολλά υποσχόμενη τεχνική ταξινόμησης, SVM βασίζεται στη στατιστική θεωρία μάθησης μέθοδος αναγνώρισης προτύπων, που χρησιμοποιείται κυρίως στον τομέα της αναγνώρισης προτύπων . Δεδομένου ότι οι μελέτες δεν είναι ακόμη τέλεια, στην αναγνώριση επίλυση προβλημάτων προτύπου είναι συντηρητική και δυσνόητες μαθηματικές σύγκριση των μελετών αυτών δεν έχει πλήρως εκτιμηθεί. Μέχρι τη δεκαετία του 1990, η στατιστική θεωρία μάθησης (στατιστική θεωρία μάθησης, SLT) και η υλοποίηση των νευρωνικών δικτύων σε σχέση με τις αναδυόμενες μεθόδους μηχανικής μάθησης κάποιες σημαντικές δυσκολίες, όπως το πώς να καθορίσει τη δομή του δικτύου του προβλήματος, πάνω-learning και μαθησιακά προβλήματα που οφείλονται , τοπικά προβλήματα ελάχιστα, καθιστώντας την ταχεία ανάπτυξη και τη βελτίωση της SVM στην επίλυση μικρό μέγεθος του δείγματος, μη γραμμικά και υψηλής διαστάσεων προβλήματα αναγνώρισης προτύπων κατά την εκτέλεση πολλών μοναδικά πλεονεκτήματα, και να είναι σε θέση να προωθήσει την εφαρμογή να λειτουργήσει τοποθέτηση και άλλες μηχανές μαθησιακά προβλήματα . Από τότε αναπτύχθηκε ραγδαία, είναι πλέον σε πολλούς τομείς (βιοπληροφορική, το κείμενο και την αναγνώριση χειρόγραφου, κλπ) έχουν κάνει μια επιτυχημένη εφαρμογή.

Κατά την επίλυση μη γραμμικών αντιστροφή γεωφυσικών αναστροφή που έχουν σημαντικά αποτελέσματα, όπως (μηχανές διανυσμάτων υποστήριξης στην πρόβλεψη της εισροής νερού από τα προβλήματα των υπόγειων υδάτων). Ο αλγόριθμος είναι πλέον γνωστό ότι πρέπει να εφαρμοστούν είναι: το πετρέλαιο και καταγραφή των δεδομένων καταγραφής χρησιμοποιώντας PREDICT πορώδες και πηλό περιεχόμενο, τον καιρό και ούτω καθεξής.

Διανυσματικές μηχανές υποστήριξης είναι ένα σημαντικό highlight του προβλήματος βελτιστοποίησης με την παραδοσιακή θεωρία της δυαδικότητας προτείνεται, υπάρχουν οι μέγιστες και ελάχιστες Lagrangian δυαδικότητα.

Το κλειδί βρίσκεται στην λειτουργία πυρήνα SVM. Low-διάστατο διάνυσμα χώρου που συχνά δύσκολο τμήμα, η λύση είναι να χαρτογραφηθεί σε ένα υψηλό τρισδιάστατο χώρο. Αλλά η προσέγγιση αυτή είναι ότι οι δυσκολίες που προκαλούνται από την αύξηση της υπολογιστικής πολυπλοκότητας, ενώ ο πυρήνας λειτουργεί ακριβώς έξυπνη λύση στο πρόβλημα αυτό. Δηλαδή, όσο η επιλογή της κατάλληλης λειτουργίας του πυρήνα, μπορείτε να πάρετε μια μεγάλων διαστάσεων λειτουργία ταξινόμησης χώρο. Στη θεωρία SVM, χρησιμοποιώντας διαφορετικές λειτουργίες του πυρήνα θα οδηγήσει σε διαφορετικό αλγόριθμο SVM.

"Δίκτυο συγκεκαλυμμένη τεχνολογία ανίχνευσης κανάλι"

Μετά τον καθορισμό του πυρηνικού λειτουργία, γνωστή ως συνάρτηση πυρήνα για να καθορίσει ότι υπάρχουν κάποια σφάλματα στα δεδομένα, λαμβάνοντας υπόψη τα θέματα μάρκετινγκ υπόψη, ώστε η εισαγωγή του συντελεστή χαλάρωσης και ο συντελεστής ποινής που πρέπει να διορθωθούν δύο μεταβλητές αναφοράς. Κατά τον καθορισμό της βάσης της λειτουργίας του πυρήνα, και στη συνέχεια μέσα από ένα μεγάλο αριθμό συγκριτικών πειραμάτων προγραμματιστεί να λάβει αυτά τα δύο στοιχεία, η μελέτη ουσιαστικά ολοκληρωθεί, κατά την κατάλληλη εφαρμογή ή την επιχείρηση σε συναφείς επιστημονικούς κλάδους, και υπάρχει μια ορισμένη ικανότητα να αυξάνουν την αντοχή. Φυσικά, το σφάλμα είναι απόλυτη, διαφορετικές ειδικότητες και διαφορετικές επαγγελματικές απαιτήσεις ποικίλλουν.


Προηγούμενος 1 Επόμενος Επιλέξτε Σελίδες
Χρήστης Ανασκόπηση
Δεν υπάρχουν ακόμη σχόλια
Θέλω να σχολιάσω [Επισκέπτης (44.215.*.*) | Σύνδεση ]

Γλώσσα :
| Ελέγξτε τον κωδικό :


Αναζήτηση

版权申明 | 隐私权政策 | Πνευματική ιδιοκτησία @2018 Κόσμος εγκυκλοπαιδικές γνώσεις