KNN
ning kamchiligi shundaki, siz butun o'quv ma'lumotlar to'plamini
saqlashingiz kerak. Agar KNN yaxshi ishlagan bo'lsa , LVQ algoritmini sinab
ko'rish mantiqan to'g'ri keladi ( Learning vektor kvantlash ), bu kamchilikdan
mahrum.
LVQ kod vektorlari to'plamidir. Ular boshida tasodifiy tanlanadi va ma'lum
miqdordagi iteratsiyalar davomida butun ma'lumotlar to'plamini
eng yaxshi
umumlashtiradigan tarzda moslashtiriladi. Treningdan so'ng, bu vektorlar KNNda
bo'lgani kabi bashorat qilish uchun ham ishlatilishi mumkin.
Algoritm har bir
kodvektor va yangi ma'lumotlar namunasi orasidagi masofani hisoblab, eng yaqin
qo'shnini (eng yaxshi mos kodvektor) qidiradi. Keyin sinf (yoki regressiya holatida
raqam) eng yaxshi mos vektor uchun bashorat sifatida qaytariladi. Agar barcha
ma'lumotlar bir xil diapazonda, masalan , 0 dan 1 gacha bo'lsa, eng yaxshi natijaga
erishish mumkin .
8. Vektor mashinasini qo'llab-quvvatlash (SVM)
Vektor mashinasini qo'llab-quvvatlash, ehtimol,
eng mashhur va muhokama
qilinadigan mashinani o'rganish algoritmlaridan biridir.
Giper tekislik - bu kiritilgan o'zgaruvchilar bo'shlig'ini ajratuvchi chiziq.
Qo'llab-quvvatlovchi vektor mashinasida kirish o'zgaruvchan tekisligidagi
nuqtalarni sinfi bo'yicha eng yaxshi ajratish uchun giperplane tanlanadi: 0 yoki 1.
Ikki o'lchovli tekislikda bu nuqtalarni to'liq ajratuvchi chiziq
sifatida ifodalanishi
mumkin. barcha sinflar. Trening davomida algoritm sinflarni giperplan bilan
yaxshiroq ajratishga yordam beradigan koeffitsientlarni qidiradi.
Giper tekislik va eng yaqin ma'lumotlar nuqtalari
orasidagi masofa farq
deyiladi. Ikki sinfni ajratuvchi eng yaxshi yoki optimal giperplan - bu eng katta
farqga ega chiziq. Giper tekislikni aniqlashda va klassifikatorni qurishda faqat shu
nuqtalar muhim ahamiyatga ega. Ushbu nuqtalar qo'llab-quvvatlash vektorlari deb
ataladi. Farqni maksimal darajada oshiradigan koeffitsientlarning
qiymatlarini
aniqlash uchun maxsus optimallashtirish algoritmlari qo'llaniladi.
Qo'llab-quvvatlovchi vektor mashinasi, ehtimol,
eng samarali klassik
tasniflagichlardan biri bo'lib, bu albatta e'tiborga loyiqdir.
Do'stlaringiz bilan baham: