Al “entender” los SVM, supongo que quiere decir que comprende las matemáticas y la intuición detrás del algoritmo y no simplemente cómo usarlos para problemas de clasificación o regresión. Recomiendo leer y ver los recursos que se muestran a continuación y luego implementar el algoritmo en el idioma que elija (R, Matlab, Python, etc.). Luego, debe usar su implementación en problemas reales, como el clásico problema de aprendizaje automático de predecir la clase de una planta de iris en el conjunto de datos de iris (UCI Machine Learning Repository: Iris Data Set).
Los recursos que utilicé para aprender SVM, el truco del kernel y otros conceptos y algoritmos de aprendizaje automático fueron de los maravillosos videos y documentos de Andrew Ng .
Leer : http://cs229.stanford.edu/notes/…
- ¿Cuál es la intuición detrás de la fórmula de actualización de peso de Perceptron w = w + yx?
- Cómo entrenar algoritmos relacionados con IA sin una GPU decente
- Cómo lidiar con múltiples resultados mutuamente dependientes en el aprendizaje automático
- ¿Cómo se implementa el aprendizaje profundo en Amazon Go (tiendas de comestibles especiales en las que recoges lo que quieras y luego te vas sin esperar a pagar)?
- ¿Cuál es la relación entre relevancia y aprendizaje automático?
Ver : Coursera.
La idea básica de los SVM es encontrar el hiperplano óptimo que separe los datos de entrenamiento etiquetados. Un hiperplano óptimo es aquel que maximiza el margen entre los vectores de soporte (es decir, los puntos más cercanos al hiperplano de separación, en la imagen a continuación los vectores de soporte se muestran en negrita) y el hiperplano. Maximizamos porque suponemos que este es el hiperplano que generalizará lo mejor en datos no vistos.
Si nuestros datos son no linealmente separables pero deseamos usar un clasificador lineal, como un SVM, podemos usar métodos del núcleo para mapear los datos de entrenamiento en un espacio dimensional superior. Esto se hará más obvio si mira el siguiente video:
Sin embargo, este mapeo aumenta sustancialmente el número de características a considerar y, por lo tanto, la complejidad temporal del algoritmo. El ‘truco del kernel’ ayuda a aliviar este problema, ya que pone un límite a las características de modo que la complejidad del clasificador solo aumenta linealmente con el tamaño del conjunto de datos original.
