Please enable JavaScript.
Coggle requires JavaScript to display documents.
Learning: Support Vector Machines - Coggle Diagram
- Learning: Support Vector Machines
-
-
-
-
-
Decision boundaries
-
Restrições são aplicadas para construir um vetor de suporte (u) e definir uma constante b que permite separar exemplos positivos de negativos. A largura de uma “rua” entre os valores positivos e negativos é maximizada.
Passando pela álgebra, a equação resultante mostra que a otimização depende apenas do produto escalar do par de amostras.
A regra de decisão que define se uma amostra é positiva ou negativa depende apenas do produto escalar do vetor amostral e do vetor desconhecido.
No local maximum
Such support vector algorithm can be proven to be evolving in a convex space, meaning that it will never be blocked at a local maximum.
Pode-se provar que esse algoritmo de vetor de suporte está evoluindo em um espaço convexo, o que significa que nunca será bloqueado em um máximo local.
Non linearity
The algorithm cannot find a median between data which cannot be linearly separable. A transformation can however be applied to the space to reorganize the samples so that they can be linearly separable. Certain transformations can however create an over fitting model that becomes useless by only sorting the example data.
O algoritmo não pode encontrar uma mediana entre dados que não podem ser linearmente separáveis. No entanto, uma transformação pode ser aplicada ao espaço para reorganizar as amostras de modo que possam ser linearmente separáveis. Certas transformações podem, no entanto, criar um modelo de sobreajuste que se torna inútil apenas classificando os dados de exemplo.
O que aprendi
Decision boundaries
-
A regra de decisão que define se uma amostra é positiva ou negativa depende apenas do produto escalar do vetor amostral e do vetor desconhecido.
No local maximum
Pode-se provar que esse algoritmo de vetor de suporte está evoluindo em um espaço convexo, o que significa que nunca será bloqueado em um máximo local.
Non linearity
O algoritmo não pode encontrar uma mediana entre dados que não podem ser linearmente separáveis. No entanto, uma transformação pode ser aplicada ao espaço para reorganizar as amostras de modo que possam ser linearmente separáveis. Certas transformações podem, no entanto, criar um modelo de sobreajuste que se torna inútil apenas classificando os dados de exemplo.
mecanismo que transforma isso em um outro espaço, o modelo de Kernel
Existem limitações, como overfitting e um monte de paradas. Mas funciona
