Teori SVM: Margin dan Vektor Sokongan
Pengelas margin maksimum, margin keras berbanding margin lembut (parameter C), vektor sokongan.
Teori SVM: Margin dan Vektor Sokongan ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah Itu SVM
Mesin Vektor Sokongan ialah pengelas yang mencari sempadan terbaik untuk memisahkan dua kelas. Daripada memilih sebarang garis pemisah, mesin ini mencari garis dengan jurang paling lebar antara kelas.
Satah Hiper yang Memisahkan
Dalam 2D, sempadannya ialah garis; dalam dimensi yang lebih tinggi, sempadan itu ialah satah hiper. SVM mentakrifkannya sebagai w . x + b = 0, lalu mengelaskan titik berdasarkan sisi tempat titik tersebut berada.
Jidar
Jidar ialah jarak antara satah hiper dengan titik terdekat daripada setiap kelas. SVM memaksimumkan jidar ini kerana jurang yang lebih lebar biasanya dapat membuat generalisasi yang lebih baik terhadap data baharu.
Satah Hiper Jidar Maksimum
Daripada semua sempadan yang sah, SVM memilih satah hiper jidar maksimum: satah yang paling jauh daripada titik terdekat pada kedua-dua sisi. Inilah idea teras yang menjadikan SVM teguh.
Vektor Sokongan
Vektor sokongan ialah titik data yang paling hampir dengan sempadan, iaitu titik yang menyentuh tepi jidar. Hanya titik tersebut menentukan satah hiper; membuang titik lain tidak akan mengubahnya.
from sklearn.svm import SVC
model = SVC(kernel="linear")
model.fit(X, y)
print("Support vectors:\n", model.support_vectors_)
print("Indices:", model.support_)Mengapa Vektor Sokongan Penting
Oleh sebab hanya vektor sokongan yang menentukan model, SVM menggunakan memori dengan cekap semasa membuat ramalan dan menumpukan perhatian pada contoh yang paling sukar serta paling bermaklumat berhampiran sempadan, bukannya contoh mudah yang jauh daripadanya.
Jidar Keras
SVM dengan jidar keras menuntut pemisahan sempurna: tiada titik boleh melintasi jidar. Kaedah ini hanya berfungsi apabila data boleh dipisahkan secara linear dengan sempurna dan sangat sensitif terhadap pencilan.
Masalah Jidar Keras
Data sebenar berhingar dan jarang boleh dipisahkan dengan sempurna. Satu pencilan boleh menyebabkan jidar keras mustahil dicapai atau memaksa jidar menjadi sangat nipis dan tidak munasabah. Kita perlu membenarkan beberapa kesilapan.
Jidar Lembut
SVM dengan jidar lembut membenarkan sesetengah titik melanggar jidar atau dikelaskan dengan salah, dengan menukarkan beberapa kesilapan kepada sempadan yang lebih lebar dan teguh. Perkara ini dikawal oleh parameter C.
Parameter C
C menetapkan penalti bagi pelanggaran. C yang lebih besar menghukum kesilapan dengan lebih berat, lalu menghasilkan jidar yang lebih kecil dan padanan yang lebih rapat dengan data latihan (berisiko terlebih suai). C yang lebih kecil membenarkan lebih banyak kelonggaran dan jidar yang lebih lebar (lebih banyak pengawalseliaan).
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 tolerantMenala C dalam Amalan
Pilih C menggunakan pengesahan silang. Nilai yang terlalu besar menyebabkan terlebih suai; nilai yang terlalu kecil menyebabkan terkurang suai. Nilai terbaik mengimbangi lebar jidar dengan ketepatan latihan untuk data anda.
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_)Semakan Pantas
Uji teori SVM anda.
Imbas Kembali
Imbas kembali: SVM mencari satah hiper jidar maksimum yang memisahkan kelas. Vektor sokongan ialah titik paling hampir dan menjadi satu-satunya penentu sempadan. Jidar keras memerlukan pemisahan sempurna; jidar lembut membenarkan pelanggaran yang dikawal oleh C (C yang lebih besar = jidar lebih kecil, pengawalseliaan yang lebih rendah).
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Teori SVM: Margin dan Vektor Sokongan” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Teori SVM: Margin dan Vektor Sokongan”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Teori SVM: Margin dan Vektor Sokongan”?
Pengelas margin maksimum, margin keras berbanding margin lembut (parameter C), vektor sokongan. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.
Berapa lamakah pelajaran “Teori SVM: Margin dan Vektor Sokongan” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Teori SVM: Margin dan Vektor Sokongan
- Helah Kernel: RBF, Polinomial dan Sigmoid
- SVM untuk Pengelasan dengan sklearn
- SVM untuk Regresi (SVR)