Apprentissage automatique ① Résumé SVM (Support Vector Machine)
Résumé de la machine à vecteur de support
What is SVM ?
En un mot, SVM est un modèle d'apprentissage automatique supervisé qui trace une ligne qui divise les données en deux. Il y a des priorités en ce moment.
- Regroupez les données avec précision. (Sauf pour les valeurs aberrantes)
- Maximisez la marge, la différence entre les lignes et les points.
code par défaut
python
from sklearn.svm import SVC
SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True,
probability=False, tol=0.001, cache_size=200, class_weight=None,
verbose=False, max_iter=-1, decision_function_shape=None, random_state=None)
Description des paramètres dans SVM
- C
C est un paramètre qui détermine le degré de classification erronée tolérée. Plus la valeur de C est élevée, plus la classification des données sera précise. Autrement dit, cela a tendance à être une ligne plus compliquée. Notez que si vous le rendez trop grand, vous serez dans un état de surapprentissage.
According to the 'Introduction to Machine Learning' from Udacity
-
kernel Il existe essentiellement deux types à utiliser: Linear, qui est un noyau linéaire, et rbf, qui est un noyau non linéaire. À propos, Linear sépare les données avec des lignes droites et rbf sépare les données avec des lignes plus courbes et complexes.
-
gamma Cela détermine quel point est le plus important, le point le plus proche de la ligne ou le point le plus éloigné de la ligne. En d'autres termes, plus la valeur est élevée, plus la marge avec les points proches est importante et, par conséquent, la ligne devient compliquée.
According to the 'Introduction to Machine Learning' from Udacity
D'autre part, si vous la réduisez, la marge avec un point éloigné devient plus importante, de sorte que la ligne devient plus simple dans une certaine mesure.
According to the 'Introduction to Machine Learning' from Udacity
Les avantages et les inconvénients de SVM.
- bon point Il y a peu de paramètres à optimiser. Même si la quantité de caractéristiques des données devient de grande dimension, elle peut être traitée.
--Mauvais point Si les données contiennent du bruit (dans la figure ci-dessus, un petit nombre de cercles sont dans la zone des cercles, ou un petit nombre de cercles dans la zone des cercles), et les données sont terminées. S'il est enveloppé (dans la figure ci-dessus, la ligne du milieu doit être dessinée et de nombreux cercles et croix sont mélangés), il est difficile de classer les données proprement.
Résumé
Ce qui précède est le contour de SVM pour autant que je puisse comprendre. Nous le mettrons à jour quotidiennement, donc si vous avez quelque chose à ajouter ou à corriger, nous vous serions reconnaissants de bien vouloir commenter.
Recommended Posts