introduzione
Le macchine vettoriali di supporto sono un metodo di classificazione binaria. L'idea di base è trovare una linea di separazione lineare (o iperpiano) tra le due classi. Per prima cosa assumiamo che i target della classe binaria siano -1 o 1 , invece dei precedenti 0 o 1 target. Poiché potrebbero esserci molte linee che separano due classi, definiamo il miglior separatore lineare che massimizza la distanza tra entrambe le classi.
Figura 1: Date due classi separabili, 'o' e 'x', vogliamo trovare l'equazione per il separatore lineare tra i due. La sinistra mostra che ci sono molte linee che separano le due classi. La destra mostra la linea di margine massimo univoca. La larghezza del margine è data da 2/. Questa linea si trova minimizzando la norma L2 di A.
Possiamo scrivere un tale iperpiano come segue:
studio Android ottiene la posizione corrente
Ax-b = 0
Qui, A è un vettore delle nostre pendenze parziali e x è un vettore di input. Si può dimostrare che la larghezza del margine massimo è due diviso per la norma L2 di A. Ci sono molte prove di questo fatto, ma per un'idea geometrica, risolvere la distanza perpendicolare da un punto 2D a una linea può fornire una motivazione per andare avanti.
#apprendimento profondo #reti-neurali #tensorflow #intelligenza-artificiale
medium.com
TensorFlow: supporto per macchine vettoriali
Come utilizzare, implementare e valutare le macchine vettoriali di supporto (SVM) in TensorFlow