SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर
अधिकतम मार्जिन क्लासिफ़ायर, हार्ड बनाम सॉफ्ट मार्जिन (C पैरामीटर), सपोर्ट वेक्टर।
SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर, CoddyKit पर पाइथन के साथ एआई सीखें का एक निःशुल्क पाठ है। यह 4 में से 1वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह पाइथन के साथ एआई सीखें सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
SVM क्या है
सपोर्ट वेक्टर मशीन एक वर्गीकारक है जो दो वर्गों को सबसे अच्छी तरह अलग करने वाली सीमा खोजता है। यह कोई भी अलग करने वाली रेखा चुनने के बजाय ऐसी रेखा खोजता है जिसके दोनों वर्गों के बीच का अंतर सबसे चौड़ा हो।
अलग करने वाला हाइपरप्लेन
2D में सीमा एक रेखा होती है; अधिक आयामों में यह एक हाइपरप्लेन होती है। SVM इसे w . x + b = 0 के रूप में परिभाषित करता है और बिंदुओं का वर्गीकरण इस आधार पर करता है कि वे इसके किस ओर स्थित हैं।
मार्जिन
मार्जिन हाइपरप्लेन और प्रत्येक वर्ग के सबसे निकट स्थित बिंदुओं के बीच की दूरी है। SVM इस मार्जिन को अधिकतम करता है, क्योंकि चौड़ा अंतर आम तौर पर नए डेटा पर बेहतर सामान्यीकरण करता है।
अधिकतम-मार्जिन हाइपरप्लेन
सभी मान्य सीमाओं में से SVM अधिकतम-मार्जिन हाइपरप्लेन चुनता है—वह हाइपरप्लेन जो दोनों ओर के निकटतम बिंदुओं से सबसे दूर हो। यही मूल विचार SVM को मज़बूत बनाता है।
सपोर्ट वेक्टर
सपोर्ट वेक्टर वे डेटा बिंदु होते हैं जो सीमा के सबसे निकट होते हैं और मार्जिन की सीमाओं को छूते हैं। केवल यही हाइपरप्लेन निर्धारित करते हैं; अन्य बिंदुओं को हटाने से इसमें कोई बदलाव नहीं आता।
from sklearn.svm import SVC
model = SVC(kernel="linear")
model.fit(X, y)
print("Support vectors:\n", model.support_vectors_)
print("Indices:", model.support_)सपोर्ट वेक्टर क्यों महत्वपूर्ण हैं
क्योंकि मॉडल को केवल सपोर्ट वेक्टर ही परिभाषित करते हैं, इसलिए SVM पूर्वानुमान के समय मेमोरी का कुशलता से उपयोग करता है और दूर स्थित आसान उदाहरणों के बजाय सीमा के पास के सबसे कठिन तथा सबसे सूचनाप्रद उदाहरणों पर ध्यान देता है।
हार्ड मार्जिन
हार्ड मार्जिन वाला SVM पूर्ण अलगाव की माँग करता है: कोई भी बिंदु मार्जिन को पार नहीं कर सकता। यह तभी काम करता है जब डेटा पूरी तरह रैखिक रूप से अलग करने योग्य हो और यह बाहरी बिंदुओं के प्रति बहुत संवेदनशील होता है।
हार्ड मार्जिन की समस्या
वास्तविक डेटा शोरयुक्त होता है और शायद ही कभी पूरी तरह अलग करने योग्य होता है। एक अकेला बाहरी बिंदु हार्ड मार्जिन को असंभव बना सकता है या मार्जिन को असामान्य रूप से पतला करने के लिए मजबूर कर सकता है। हमें कुछ गलतियों की अनुमति देनी होगी।
सॉफ्ट मार्जिन
सॉफ्ट मार्जिन कुछ बिंदुओं को मार्जिन का उल्लंघन करने या गलत वर्गीकृत होने की अनुमति देता है। इस तरह कुछ त्रुटियों के बदले अधिक चौड़ी और अधिक मज़बूत सीमा मिलती है। इसे C पैरामीटर नियंत्रित करता है।
C पैरामीटर
C उल्लंघनों के लिए दंड निर्धारित करता है। बड़ा C त्रुटियों को कड़ा दंड देता है, जिससे छोटा मार्जिन मिलता है और प्रशिक्षण डेटा पर मॉडल अधिक कसकर फिट होता है (अति-अनुकूलन का जोखिम)। छोटा C अधिक ढील और चौड़े मार्जिन की अनुमति देता है (अधिक नियमितीकरण)।
from sklearn.svm import SVC
strict = SVC(C=100, kernel="linear") # narrow margin, fits closely
relaxed = SVC(C=0.1, kernel="linear") # wide margin, more tolerantव्यवहार में C का समायोजन
C का चुनाव क्रॉस-वैलिडेशन से करें। बहुत बड़ा मान अति-अनुकूलन करता है; बहुत छोटा मान कम-अनुकूलन करता है। आपके डेटा के लिए सबसे अच्छा मान मार्जिन की चौड़ाई और प्रशिक्षण सटीकता के बीच संतुलन बनाता है।
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
gs = GridSearchCV(SVC(kernel="linear"), {"C": [0.01, 0.1, 1, 10, 100]}, cv=5)
gs.fit(X, y)
print("Best C:", gs.best_params_)त्वरित जाँच
SVM सिद्धांत की अपनी समझ का परीक्षण करें।
पुनरावलोकन
पुनरावलोकन: SVM वर्गों को अलग करने वाला अधिकतम-मार्जिन हाइपरप्लेन खोजता है। सपोर्ट वेक्टर सबसे निकट स्थित बिंदु होते हैं और अकेले सीमा को परिभाषित करते हैं। हार्ड मार्जिन के लिए पूर्ण अलगाव आवश्यक है; सॉफ्ट मार्जिन C द्वारा नियंत्रित उल्लंघनों की अनुमति देता है (बड़ा C = छोटा मार्जिन, कम नियमितीकरण)।
एआई शिक्षक के साथ Python सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 53
- पाठ
- 225
अक्सर पूछे जाने वाले प्रश्न
क्या “SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर” पाठ निःशुल्क है?
हाँ — पाइथन के साथ एआई सीखें अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। पाइथन के साथ एआई सीखें पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर” में मैं क्या सीखूँगा?
अधिकतम मार्जिन क्लासिफ़ायर, हार्ड बनाम सॉफ्ट मार्जिन (C पैरामीटर), सपोर्ट वेक्टर। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ पाइथन के साथ एआई सीखें का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या पाइथन के साथ एआई सीखें शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर पाइथन के साथ एआई सीखें शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 1वाँ पाठ है।
“SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस पाइथन के साथ एआई सीखें पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर पाइथन के साथ एआई सीखें पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- SVM सिद्धांत: मार्जिन और सपोर्ट वेक्टर
- कर्नेल ट्रिक: RBF, Polynomial और Sigmoid
- sklearn के साथ वर्गीकरण के लिए SVM
- प्रतिगमन के लिए SVM (SVR)