SVM utiliza un objetivo de optimización diferente en comparación con los utilizados en regresión logística / lineal o redes neuronales. Hay varias propiedades asociadas con esta función de costo que proporciona una buena solución con cálculos menores. La función de costo implica el uso de un núcleo, que podría ser lineal / gaussiano / polinómico según su elección. El núcleo determina cuán similares son las diferentes características entre sí y, por lo tanto, imparte ponderaciones a sus correspondientes funciones de costo. Por lo tanto, las características que están cerca una de la otra y tienen el mismo resultado se agruparán debido a un mayor peso, mientras que los valores atípicos tendrán menos peso asociado y quedarán fuera cuando intentemos minimizar nuestro objetivo de optimización para la clasificación. Pensando en la regresión, los efectos de estos pesos son similares. Los valores atípicos contribuirán muy poco a su modelo final.
Creo que estas conferencias sobre Coursera cubren el tema bastante bien
(Estoy aprendiendo ML ahora mismo en Coursera, así que puedes considerarme un laico por el momento 🙂). Miré más hacia arriba y encontré los documentos relevantes. Considérelos para lectura adicional, pero primero debería ver las conferencias.
Conferencias de video:
Objetivo de optimización
Intuición de gran margen
Matemáticas detrás de la clasificación de margen grande (opcional)
Kernels I
Kernels II
Usando un SVM
Diapositivas:
Página en Cloudfront
- Para aquellos que han usado redes neuronales u otro aprendizaje automático, ¿cuánto tiempo de procesamiento les ha llevado entrenarlos y qué tan grande fue el conjunto de datos?
- ¿Cuál es la diferencia entre una cadena de Markov recurrente y una cadena de Markov absorbente?
- ¿Cuándo debo usar la similitud de coseno? ¿Se puede usar para agrupar?
- ¿Cómo se ajustan los pesos en una red neuronal mientras estoy entrenando la red?
- ¿Qué son los asombrosos papeles gráficos de conocimiento?
Lectura adicional:
Página en Microsoft
Página sobre Smola
EDITAR:
200a respuesta, ¡guau!
EDICIÓN PRINCIPAL:
Debe consultar estas notas. En mi opinión, son lo mejor que le puede pasar a un aprendiz de máquina principiante. Léelo Simplemente hazlo. Notas de aprendizaje automático : ¡las mejores notas de todos los tiempos!