J’apprends l’apprentissage automatique depuis peu, j’ai vu sur Reddit un article intitulé “S’il vous plaît expliquer Support Vector Machines (SVM) comme je suis un enfant de 5 ans”.
Une machine vectorielle de support (SVM).
Bien sûr, regardez d’abord le wiki. Support Vector Machines are learning models used for classification: which individuals in a population belong where? So… how do SVM and the mysterious “kernel” work?
Voici comment cela s’est passé:
Il y a bien longtemps, le jour de la Saint-Valentin, le héros voulait sauver sa bien-aimée, mais le diable a joué un jeu avec lui.
Le diable semble avoir régulièrement placé sur la table des boules de deux couleurs, disant: “Tu les sépares avec un bâton ?”

Alors pourquoi le grand homme a-t-il laissé tomber ?

Puis le diable, qui avait encore mis plus de balles sur la table, semblait avoir un campement à côté.

La SVM consiste à essayer de placer le bâton dans la meilleure position possible pour qu’il y ait le plus d’espace possible sur les deux côtés du bâton.

Maintenant, même si le diable a mis plus de balles, le bâton reste une bonne ligne de démarcation.

Puis, dans la boîte à outils de la SVM, il y a un autre truc, plus important encore. Le démon voit que l’homme fort a appris un truc, alors il lui donne un nouveau défi.

Il n’a plus de bâton pour séparer les deux boules, alors qu’est-ce qu’il va faire ? Comme dans tous les films de super-héros, il frappe la table et les boules s’envolent. Puis, grâce à l’effort de super-héros, il prend un papier et le met entre les deux boules.

Maintenant, du point de vue du diable, ces boules semblent être séparées par une courbe.

Et puis, les adultes qui s’ennuient, ils appellent ces balles “ données “, les bâtons ” classifiants “, le plus grand trique d’espace ” optimisation “, le tableau de pioche ” kernelling “, le papier ” hyperplane “.
Pour en savoir plus:
Please explain Support Vector Machines (SVM) like I am a 5 year old. : MachineLearning
Support Vector Machines explained well




C’est quoi le SVM ?
SVM (support vector machine) est un type d’algorithme d’apprentissage supervisé qui appartient à la catégorie de la classification. Dans l’application de l’exploration de données, il correspond et se distingue du clustering non supervisé. Il est largement utilisé dans les domaines de l’apprentissage automatique (Machine Learning), de la vision par ordinateur (Computer Vision) et de l’exploration de données (Data Mining). Le SVM fonctionne comme le montre la figure 1.

Supposons que nous voulons diviser les cercles solides et les cercles vides en deux catégories par trois huit lignes. Il y a donc des milliers de lignes qui peuvent faire ce travail. Dans SVM, nous cherchons une ligne de démarcation optimale qui donne le plus de marge possible sur les deux côtés. Dans ce cas, les points de données dont les bords sont grossiers sont appelés vecteurs de support, d’où le nom de l’algorithme de classification.
L’extension à n dimensions et même à l’espace sans fin, comme dans la figure 2.

We got a bunch of data points in a n- dimensional to infinite-dimensional space, Then one can always find a optimal hyperplane which is always in the n-1 dimension.
Pour terminer, Nom de domaine: Support Vector Machines (SVM) wiki:Support vector machine Les leçons: une page sur columbia.edu Le site web de l’association a été créé pour aider les enfants à apprendre à marcher et à se déplacer. http://youtu.be/3liCbRZPrZA
Partager la publication