La máquina de vectores de soporte es una herramienta utilizada para resolver problemas supervisados de aprendizaje automático.
Dado un conjunto de puntos dimensionales altos, cada uno asociado con una etiqueta binaria (verdadero / falso), tratamos de encontrar una separación simple entre las dos clases.
Un SVM regular (también llamado lineal o sin núcleo) encuentra un hiperplano óptimo que separa las muestras positivas de las negativas. Es muy similar a un perceptrón a este respecto. Sin embargo, un SVM está garantizado para encontrar una separación de margen máxima. Si es posible encontrar un plano con todos los puntos positivos en un lado y todos los negativos en el otro lado, los datos se denominan linealmente separables. Un SVM no solo encontrará dicho plano, sino que también encontrará el que maximiza el margen entre las muestras y el plano que lo ayuda a generalizar mejor a nuevos puntos. Además, cuando los datos no son perfectamente separables, un SVM todavía encuentra el mejor plano de separación posible.
- ¿Cuáles son las tendencias e investigaciones actuales relacionadas con la red neuronal profunda en los sistemas inteligentes de transporte?
- ¿Cuál es el beneficio de usar métodos de detección de comunidad gráfica sobre los enfoques de agrupación de datos y aprendizaje automático?
- ¿Por qué mi modelo de regresión produce valores negativos para SalePrice en los datos de prueba?
- ¿Qué ofrecen los chips Loihi de Intel con 'autoaprendizaje', 'núcleos neuromórficos' y 'cómputo de aumento asíncrono'?
- ¿Cuál es la principal diferencia entre los problemas de clasificación y los problemas de regresión en el aprendizaje automático?
Muchos problemas no son uniformemente linealmente separables como es, pero podemos encontrar una traducción entre los puntos originales a un espacio que es linealmente separable o al menos bastante cercano a eso.
Para resolver SVM se observa que en realidad no necesitamos los puntos en sí mismos, es suficiente calcular el producto de punto entre dos puntos que se puede ver como una especie de función de distancia. En lugar de traducir a un espacio diferente, podemos reemplazar el producto de punto con uno que coincida con un espacio diferente, normalmente una dimensión más alta o incluso una infinita que no podríamos manejar directamente. Estos son núcleos SVM, hay familias de los cuales se ha demostrado que funcionan bien para muchos problemas, especialmente el núcleo RBF.