tgoop.com/tensorphilia/180
Last Update:
🔸Linear SVM Classification
🔹 یک روش یادگیری نظارتشده برای مسائل طبقهبندی باینری است.
ایده اصلی این است که بهترین ابرصفحهای را پیدا کند که دادهها را به دو کلاس با بیشترین حاشیه جدا کند. این حاشیه فاصله بین ابرصفحه و نزدیکترین نقاط داده از هر کلاس است که به آنها بردارهای پشتیبان میگویند.
یک حاشیه بزرگتر به معنای تعمیم بهتر مدل به دادههای دیدهنشده است. SVM های خطی با دادههای خطی جداشدنی به خوبی کار میکنند اما میتوان آنها را برای مدیریت موارد پیچیدهتر با تکنیکهای مختلف
گسترش داد.
🔸NonLinear SVM Classification
🔹 به محدودیتهای SVMهای خطی با امکان طبقهبندی دادههایی که به صورت خطی قابل جداشدن نیستند، میپردازد. این امر با نگاشت فضای ورودی اصلی به یک فضای با بعد بالاتر با استفاده از یک تابع غیرخطی انجام میشود، جایی که جداسازی خطی ممکن میشود. این تکنیک به SVMها امکان میدهد تا طیف گستردهتری از مسائل طبقهبندی را مدیریت کنند و در عمل کاربرد بیشتری داشته باشند.
🤖➖➖➖➖➖➖➖➖➖➖
🆔 Telegram | LinkedIn | YouTube
BY Tensorphilia
Share with your friend now:
tgoop.com/tensorphilia/180