Wektory nośne
Liniowe klasyfikatory w Pythonie
Michael (Mike) Gelbart
Instructor, The University of British Columbia
Czym jest SVM?
- Klasyfikatory liniowe (dotychczas)
- Trenowane z użyciem straty zawiasowej i regularyzacji L2
- Wektor nośny: przykład treningowy nie leżący na płaskiej części wykresu straty
- Wektor nośny: przykład błędnie sklasyfikowany lub bliski granicy decyzyjnej
- Usunięcie przykładu niebędącego wektorem nośnym nie wpływa na model
- Mała liczba wektorów nośnych sprawia, że jądrowe SVM są bardzo szybkie
Perspektywa maksymalnego marginesu
- SVM maksymalizuje "margines" dla liniowo separowalnych zbiorów danych
- Margines: odległość od granicy decyzyjnej do najbliższych punktów
Perspektywa maksymalnego marginesu
- SVM maksymalizuje "margines" dla liniowo separowalnych zbiorów danych
- Margines: odległość od granicy decyzyjnej do najbliższych punktów
