Técnicamente SVM es para la clasificación. Su contraparte de regresión se conoce como SVR (soporte de regresión vectorial). Ambos se implementan como problema de formulación matemática. Después de resolver el parámetro “[math] w [/ math]” para la formulación primaria, puede usarse para realizar la clasificación / regresión.
A continuación se muestra la formulación de SVM de margen blando (es decir, los puntos de datos de ambas clases no se pueden separar perfectamente con un hiperplano de separación):
[matemáticas] \ begin {alineado} & \ underset {w, \ xi} {\ text {min}} & & \ frac {1} {2} || w || ^ 2 + C \ sum_ {i = 1} ^ {n} \ xi_i \\ & \ text {st} & & y_i (w ^ Tx_i + b) \ geq 1- \ xi_ {i} \; i = 1, \ ldots, n \\ & & & \ xi \ geq 0 \ end {alineado} [/ math]
- ¿Por qué el aprendizaje de refuerzo (profundo) no es adecuado o se usa más para resolver problemas de optimización combinatoria?
- Durante la validación cruzada k-fold, ¿cuáles son algunas soluciones posibles cuando la varianza de las estimaciones de error de prueba es muy alta?
- ¿Existe un modelo más efectivo que Word2vec desde 2013?
- ¿Cuál es la forma más rápida de aprender matemáticas para el aprendizaje automático y el aprendizaje profundo?
- Cómo configurar las dimensiones de la capa y la conectividad en Caffe para reproducir una CNN a partir de un trabajo de investigación
Hay muchas implementaciones:
– LibSVM (LIBSVM – Una biblioteca para máquinas de vectores de soporte)
– Liblinear (LIBLINEAR – Una biblioteca para clasificación lineal grande)
– Proximal SVM (página de inicio de Proximal Support Vector Machine)
– Paquete predeterminado de Matlab (Train binary support vector machine classifier)
– SVM presupuestado (una caja de herramientas de C ++ para aproximaciones SVM escalables)
– Divide-and-conquer SVM (Divide-and-Conquer kernel SVM (DC-SVM))
– SVM de mínimos cuadrados (LS-SVMlab)
Incluso puede usar sus propios paquetes de optimización (CVX, cplex) para implementar las formulaciones anteriores.
En términos de tiempo de CPU requerido, Liblinear es probablemente el mejor. ¡Espero que ayude!
