Fan: Ma'lumotlar kommunikatsiyasi

Motivatsiya

H1 sinflarni ajratmaydi. H2 qiladi, lekin faqat kichik farq bilan. H3 ularni maksimal chegara bilan ajratadi.

Ma'lumotlarni tasniflash mashinada o'rganishda keng tarqalgan vazifadir. Aytaylik, ba'zi bir ma'lumot nuqtalari har biri ikkita sinfdan biriga tegishli va maqsad yangi ma'lumot nuqtasi qaysi sinfda bo'lishini hal qilishdir. Vektorli mashinalarni qo'llab-quvvatlashda ma'lumot nuqtasi {\displaystyle p}p o'lchovli vektor ({\displaystyle p}p raqamlar ro'yxati) sifatida qaraladi va biz bunday nuqtalarni {\displaystyle (p-1)} (p-1) - o'lchovli giperplane. Bunga chiziqli klassifikator deyiladi. Ma'lumotlarni tasniflashi mumkin bo'lgan ko'plab giperplaneslar mavjud. Eng yaxshi giperplane sifatida oqilona tanlov-bu ikki sinf orasidagi eng katta ajralishni yoki chegarani ifodalovchi tanlov. Shunday qilib, biz giperplanni shunday tanlaymizki, undan har ikki tomonning eng yaqin ma'lumot nuqtasigacha bo'lgan masofa maksimal bo'ladi. Agar bunday giperplane mavjud bo'lsa, u maksimal marjali giperplane deb nomlanadi va u belgilaydigan chiziqli klassifikator maksimal marjali klassifikator sifatida tanilgan; yoki unga teng ravishda optimal barqarorlikni idrok etish.[chaqirish zarur]. Rasmiy ravishda, qo'llab-quvvatlovchi vektorli mashina yuqori yoki cheksiz o'lchovli bo'shliqda giperplane yoki giperplanes to'plamini tuzadi, bu tasniflash, regressiya yoki boshqa vazifalar kabi tashqi qiymatlarni aniqlash uchun ishlatilishi mumkin.[3] intuitiv ravishda har qanday sinfning eng yaqin o'quv-ma'lumot nuqtasiga (funktsional Marj deb ataladigan) eng katta masofaga ega bo'lgan giperplane tomonidan yaxshi ajralishga erishiladi, chunki umuman Marj qanchalik katta bo'lsa, klassifikatorning umumlashtirish xatosi shunchalik past bo'ladi.[4]

Kernel mashinasi
Holbuki asl muammo cheklangan o'lchovli makonda ko'rsatilishi mumkin, ko'pincha diskriminatsiya qilinadigan to'plamlar bu makonda chiziqli ravishda ajratilmasligi sodir bo'ladi. Shu sababli, bu taklif qilingan [5] asl cheklangan o'lchovli bo'shliqni ancha yuqori o'lchovli bo'shliqqa xaritalash, ehtimol bu kosmosda ajratishni osonlashtirish. Hisoblash yukini oqilona ushlab turish uchun SVM sxemalari tomonidan ishlatiladigan xaritalar, kirish ma'lumotlari vektorlari juftlarining nuqta mahsulotlarini asl bo'shliqdagi o'zgaruvchilar bo'yicha osongina hisoblashni ta'minlash uchun mo'ljallangan bo'lib, ularni yadro funktsiyasi bo'yicha belgilaydi. {\displaystyle k(x, y)} {\ displaystyle k(x,y)} muammoga mos tanlangan.[6] yuqori o'lchovli kosmosdagi giperplanes bu bo'shliqdagi vektor bilan nuqta mahsuloti doimiy bo'lgan nuqtalar to'plami sifatida aniqlanadi, bu erda bunday vektorlar to'plami giperplanni belgilaydigan ortogonal (va shu bilan minimal) vektorlar to'plamidir. Giperplanlarni aniqlovchi vektorlarni {\displaystyle \alpha _{i}}\alpha _{i}} xususiyat vektorlari tasvirlarining {\displaystyle x_{i}} x_{i} parametrli chiziqli kombinatsiyasi sifatida tanlash mumkin. Ushbu giperplane tanlovi bilan giperplane ichiga joylashtirilgan xususiyatlar maydonidagi {\displaystyle x}x nuqtalari munosabat bilan aniqlanadi {\displaystyle \textstyle \sum _{i}\alpha _{i}k (x_{i}, x)={\text{doimiy}}.} {\displaystyle \textstyle \sum _{i}\alpha _{i} k (x_{i},x)={\text{doimiy}}.} Agar {\displaystyle k(x,y)} {\displaystyle k(x,y)} {\displaystyle y}y {\displaystyle x}x dan uzoqlashgan sari kichiklashib borsa, yig'indidagi har bir had test nuqtasining yaqinlik darajasini { \ displaystyle x} x mos ma'lumotlar bazasi nuqtasiga {\displaystyle x_{i}}x_{i}. Shu tarzda, yuqoridagi yadrolar yig'indisi har bir sinov nuqtasining diskriminatsiya qilinadigan to'plamlardan birida yoki boshqasida paydo bo'lgan ma'lumotlar nuqtalariga nisbatan yaqinligini o'lchash uchun ishlatilishi mumkin. Nuqtalar to'plami ekanligiga e'tibor bering {\displaystyle x}x har qanday giperplane xaritasi natijada juda konvolutsiya qilinishi mumkin va bu asl bo'shliqda umuman konveks bo'lmagan to'plamlar o'rtasida ancha murakkab diskriminatsiyaga imkon beradi.