Please enable JavaScript.
Coggle requires JavaScript to display documents.
07-SVMs (SVM é Support Vector Machine (Maquina de Vetor de Suporte)
-Uma…
07-SVMs
SVM é Support Vector Machine (Maquina de Vetor de Suporte)
-Uma máquina de vetores de suporte (SVM) é um classificador linear associado com a função de decisão (primal)
-Programação Quadrática Clássica
-
NÃO LINEAR
KERNEL TRICK
Segredo: mapear os dados para outro espaço (geralmente de dimensão maior) e criar um classificador linear nesse novo espaço (com cara de não linear no espaço atual)
-
ESCOLHA DE KERNELS
Boa notícia: há vários possíveis kernels (cada um com parâmetros a serem escolhidos) que podem ser usados
Má notícia: como escolher o kernel e os valores de seus parâmetros ainda é uma questão em aberto
Não há uma regra direta
Metodologia utilizada: seleção por validação cruzada
TIPOS
Kernel Linear
K(x,y) = x.y
Recomendado quando:
- os dados são linearmente separáveis (SVM linear)
- os dados são esparsos (ex: categorização de textos)
- Os dados possuem um grande número de características

Kernel Polinomial
K(x,y) = (x . y)p, p inteiro positivo
- P = 1 equivale ao linear
- Popular em processamento de imagens
- Espaço de dimensão Ex: p = 4 e imagem 16x16 => dim( ) = 183 181 376
Kernel (Gaussian) Radial Basis Function (RBF)
K(x,y) = exp(-γ ||x.y||2), γ um parâmetro positivo Considerado como uma boa primeira tentativa quando não se sabe muito sobre os dados
Kernel Sigmóide
K(x,y) = tanh(κ x.y - δ)
Considerado equivalente a uma rede neural de duas camadas (rede perceptron) usando função de ativação sigmoide
-
DESCRIÇÃO
SVM Support Vector Machine (Maquina de Vetor de Suporte) é um método Supervisionado e não Paramétrico utilizado também para classificação
e reconhecimento de padrões que utiliza vetores de apoio para maximar a distância entre os pontos mais próximos das classes, utilizando uma função de decisão. Pode ser linear ou não.
-