Çekirdek Hilesi: RBF, Polinom ve Sigmoid
Çekirdeklerin neden işe yaradığı, RBF çekirdeğinin gamma parametresi, farklı veri şekilleri için çekirdek seçimi.
Çekirdek Hilesi: RBF, Polinom ve Sigmoid, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
Doğruların Yetmediği Durumlar
Doğrusal bir SVM yalnızca düz sınırlar çizer. Birçok veri kümesi doğrusal olarak ayrılamaz; bir sınıfın diğer sınıfla çevrelendiği çember bir doğruyla ayrılamaz. Çekirdek hilesi bu sorunu çözer.
Daha Yüksek Boyutlara Eşleme
Veriler özgün uzayında ayrılamıyorsa, onları daha yüksek boyutlu bir uzaya yansıtmak ayrılabilir hâle gelmelerini sağlayabilir. 2B'deki bir eğri, 3B'de düz bir düzleme dönüşebilir.
Çekirdek Hilesi
Çekirdek hilesi, noktalar arasındaki benzerliği K(x, z), pahalı eşlemeyi gerçekten gerçekleştirmeden, noktalar yüksek boyutlara eşlenmiş sanki gibi hesaplar. Bu, doğrusal olmayan SVM'leri verimli kılar.
Çekirdek İşlevi Nedir
Bir çekirdek K(x, z), bazı yüksek boyutlu özellik uzaylarında x ve z'nin iç çarpımını döndüren bir işlevdir. Farklı çekirdekler, farklı özellik eşlemeleri ve sınır biçimleri ifade eder.
RBF Çekirdeği
RBF (Gauss) çekirdeği en yaygın varsayılan seçenektir: K(x, z) = exp(-gamma * ||x - z||^2). Uzaklık arttıkça azalan bir benzerlik ölçer ve esnek, eğri sınırlar oluşturmayı sağlar.
from sklearn.svm import SVC
model = SVC(kernel="rbf", gamma="scale", C=1.0)
model.fit(X, y)gamma Parametresi
gamma, RBF'nin genişliğini denetler. Büyük gamma, her noktanın dar bir etki alanına sahip olması ve aşırı öğrenebilecek kıvrımlı bir sınır oluşması anlamına gelir. Küçük gamma ise geniş bir etki alanı ve daha yumuşak bir sınır anlamına gelir.
from sklearn.svm import SVC
wiggly = SVC(kernel="rbf", gamma=10) # tight, can overfit
smooth = SVC(kernel="rbf", gamma=0.01) # broad, may underfitgamma ve C Birlikte
RBF SVM'leri hem gamma değerine (sınır esnekliği) hem de C değerine (hata toleransı) bağlıdır. Bu değerler etkileşimli olduğundan genellikle ızgara aramasıyla birlikte ayarlanır.
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
param = {"C": [0.1, 1, 10], "gamma": [0.01, 0.1, 1]}
gs = GridSearchCV(SVC(kernel="rbf"), param, cv=5)
gs.fit(X, y)Polinom Çekirdeği
Polinom çekirdeği K(x, z) = (gamma * x . z + r)^degree, seçilen dereceye kadar etkileşimleri modeller. Özellik etkileşimlerinin bilinen bir sırada olmasını beklediğinizde bunu kullanın.
from sklearn.svm import SVC
model = SVC(kernel="poly", degree=3, coef0=1, gamma="scale")
model.fit(X, y)Sigmoid Çekirdeği
Sigmoid çekirdeği K(x, z) = tanh(gamma * x . z + r), sinir ağı etkinleştirmesi gibi davranır. Daha az yaygındır ve her zaman geçerli bir çekirdek değildir; bu yüzden ilk tercih olarak nadiren kullanılır.
from sklearn.svm import SVC
model = SVC(kernel="sigmoid", gamma="scale", coef0=0)Çekirdek Seçme
Rehber:
- Doğrusal, yüksek boyutlu veya metin verileri için
- RBF, doğrusal olmayan veriler için güçlü bir genel varsayılan seçenek olarak
- Polinom, bilinen bir derecedeki etkileşimler önemli olduğunda
- Sigmoid, nadiren ve özel durumlarda
Özellikleri Her Zaman Ölçekleyin
RBF gibi çekirdekler uzaklıklara dayanır; bu nedenle özellik ölçeği son derece önemlidir. Bir çekirdek SVM'si kullanmadan önce özellikleri her zaman standartlaştırın; aksi hâlde büyük ölçekli özellikler benzerliğe baskın gelir.
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
pipe = make_pipeline(StandardScaler(), SVC(kernel="rbf"))
pipe.fit(X, y)Hızlı Kontrol
Çekirdek bilginizi sınayın.
Özet
Özet: Çekirdek hilesi, eşleme maliyetine katlanmadan K(x, z) değerini yüksek boyutlu bir iç çarpım olarak hesaplar ve böylece doğrusal olmayan sınırları mümkün kılar. RBF, büyük gamma değerinin aşırı öğrenmeye yol açtığı exp(-gamma * ||x-z||^2) ifadesini kullanır. Polinom, d dereceli etkileşimleri yakalar. Çekirdek SVM'lerinden önce özellikleri her zaman ölçekleyin.
Sıkça Sorulan Sorular
“Çekirdek Hilesi: RBF, Polinom ve Sigmoid” dersi ücretsiz mi?
Evet — “Çekirdek Hilesi: RBF, Polinom ve Sigmoid” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Çekirdek Hilesi: RBF, Polinom ve Sigmoid” dersinde ne öğreneceğim?
Çekirdeklerin neden işe yaradığı, RBF çekirdeğinin gamma parametresi, farklı veri şekilleri için çekirdek seçimi. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“Çekirdek Hilesi: RBF, Polinom ve Sigmoid” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- SVM Teorisi: Marjlar ve Destek Vektörleri
- Çekirdek Hilesi: RBF, Polinom ve Sigmoid
- sklearn ile SVM Sınıflandırması
- Regresyon için SVM'ler (SVR)