2-amaliy ish Talaba guruhi: 416-20 Bajardi: Tilovov Shamsiddin Tekshirdi: To`rayeva Maxliyo

MUHAMMAD AL-XOZAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI

TELEKOMMUNIKATSIYA TEXNOLOGIYALARI
FAKULTET
Kompyuter Arxitekturasi
2-amaliy ish

Talaba guruhi: 416-20
Bajardi: Tilovov Shamsiddin
Tekshirdi:To`rayeva Maxliyo

SVM ma'lumotlarni ko'p o'lchovli xususiyat maydoniga joylashtirish orqali ishlaydi, shunda ma'lumotlar chiziqli ravishda ajratilmagan bo'lsa ham, ma'lumotlar nuqtalarini toifalarga ajratish mumkin. Kategoriyalar orasidagi ajratuvchi topilsa, ma'lumotlar ajratuvchi giperplan sifatida chizilishi mumkin bo'lgan tarzda o'zgartiriladi. Keyin yangi ma'lumotlarning xarakteristikalari yangi yozuv tegishli bo'lishi kerak bo'lgan guruhni taxmin qilish uchun ishlatilishi mumkin.

Misol uchun, quyidagi rasmni ko'rib chiqing, unda ma'lumotlar nuqtalari ikki xil toifaga kiradi.
Guruch. 1. Dastlabki ma'lumotlar to'plami

Quyidagi rasmda ko'rsatilganidek, bu ikki toifani bitta egri chiziq bilan ajratish mumkin.
Guruch. 2. Ajratuvchi qo'shilgan ma'lumotlar

Transformatsiyadan so'ng, ikkita toifa o'rtasidagi chegara quyidagi rasmda ko'rsatilganidek, giperplan bilan aniqlanishi mumkin.
Guruch. 3. O'zgartirilgan ma'lumotlar

Transformatsiya uchun ishlatiladigan matematik funktsiya yadro funktsiyasi sifatida tanilgan . IBM® SPSS Modeler - dagi SVM yadro funktsiyalarining quyidagi turlarini qo'llab-quvvatlaydi:

• 
  Chiziqli
  
• 
  Polinom
  
• 
  Radial asos funktsiyasi (RBF)
  
• 
  Sigmasimon
  

To'g'ridan-to'g'ri chiziqli ma'lumotlarni qismlarga ajratishda chiziqli yadro funktsiyasi tavsiya etiladi. Boshqa hollarda, boshqa funktsiyalardan birini ishlatish kerak. Har bir holatda eng yaxshi modelni olish uchun turli funktsiyalar bilan tajriba o'tkazishingiz kerak bo'ladi, chunki ularning har biri turli argumentlar va parametrlardan foydalanadi.
Yordam mashinalari (SVMs) - bu tasniflash, regressiya va chegaralarni uchun texnik vositalar nazorat qilish o'rganish to'plami.

Yordam vektorlarining mashinalaridan mahsulotlardan iborat:

Yuqori o'lchamli bo'shliqlarda samarali.

Hali ham o'lchamlar soni namunalar sonidan ko'p bo'lgan samarali.

Qaror qabul qilish vositalarida (qo'llab-quvvatlash vektorlari deb hisoblagan) o nuqta kichik to'plamidan, shuning uchun u xotiradan ham samaralidir.

Ko'p qirrali: qaror uchun turli yadro quroli belgilanishi mumkin. Umumiy yadrolar olish, lekin maxsus yadrolarni ham foydalanish mumkin.

Yordam vektorlarining mashinalarining shikastlanishi o'z ichiga oladi:

Agar funksiyalar soni namunalar sonidan ko'p bo'lsa, yadro funksiyalarini sozlashda haddan tashqari moslashishdan saqlash va tartibga solish uchun juda moslama.

SVMlar to'g'ridan-to'g'ri bilish mumkin bo'lgan narsalarni taqdim eta olmaydi, ular qimmatga tushadi.

Scikit-learn-dagi qo'llab-quvvatlovchi vektorli mashinalar kirishda zich (numpy.ndarray va numpy.asarray belgilangan konvertatsiya qilinadi) va siyrak (har qanday scipy.sparse) namuna vektorlarini qo'llab-quvvatlash. Buning uchun, siyrak ma'lumotlar uchun boshorat qilish uchun SVM dan yuklash uchun u bunday ma'lumotlarga mos kelishi kerak. Optimal ishlash uchun C-tartibli numpy.ndarray (zich) yoki dtype=float64 bilan scipy.sparse.csr_matrix (siyrak) va qo'shimcha.

Yor vektor mashinasi algoritmining maqsadi ma'lumotlar nuqtalarini aniqlaydi N o'lchovli fazoda (N - tasnifchi soni) giperplanni topishdir.

Ma'lumotlar nuqtalarining ikkita sinfini olish uchun tan mumkin bo'lgan ko'plab giperplanlar mavjud. Bizning maqsadimiz maksimal chegaraga, ya'ni ikkala sinfning ma'lumotlar nuqtalari maksimal masofaga ega bo'lgan tekislikni topishdir. Chegara masofasini maksimal darajada yuqori darajadagi ma'lumotlar nuqtalarini ko'proq ishonch bilan tasniflash uchun biroz xavfsizlikni ta'minlash.
Giperplanlar - bu ma'lumotlar nuqtalarini tasniflashga yordam beradigan chegaralari. Giper tekislikning har ikki tomoniga tushadigan ma'lumotlar nuqtalarini turli sinflarga mumkin. Bundan hyperplanning o'lchami oshirish soniga bog'liq. Agar kirish funktsiyalari soni 2 bo'lsa, giperplan faqat chiziqdir. Agar kirish funktsiyalari soni 3 ta bo'lsa, giperplane ikki o'lchovli tekislikka aylanadi. Funktsiyalar soni 3 dan oshganda tasavvur qilish qiyin bo'ladi.

Support Vectors
Support vectors are data points that are closer to the hyperplane and influence the position and orientation of the hyperplane. Using these support vectors, we maximize the margin of the classifier. Deleting the support vectors will change the position of the hyperplane. These are the points that help us build our SVM.