Angewandtes maschinelles Lernen und KI für Ingenieure

Kapitel 5. Support-Vektor-Maschinen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Support Vektormaschinen (SVMs) stellen die Spitze des maschinellen Lernens dar. Sie werden am häufigsten zur Lösung von Klassifizierungsproblemen eingesetzt, können aber auch zur Regression verwendet werden. Aufgrund der einzigartigen Art und Weise, in der sie mathematische Modelle an die Daten anpassen, gelingt es SVMs oft, eine Trennung zwischen den Klassen zu finden, wenn andere Modelle dies nicht schaffen. Technisch gesehen können SVMs nur binäre Klassifizierungen durchführen, aber mit Scikit-Learn können sie auch Mehrklassen-Klassifizierungen durchführen, indem sie die in Kapitel 3 beschriebenen Techniken anwenden.

Scikit-Learn macht das Erstellen von SVMs mit Klassen wie SVC (kurz für Support Vector Classifier) für Klassifizierungsmodelle und SVR (Support Vector Regressor) für Regressionsmodelle einfach. Du kannst diese Klassen verwenden, ohne zu wissen, wie SVMs funktionieren, aber du wirst mehr davon haben, wenn du weißt , wie sie funktionieren. Außerdem ist es wichtig zu wissen, wie du SVMs für einzelne Datensätze abstimmst und wie du Daten vorbereitest, bevor du ein Modell trainierst. Am Ende dieses Kapitels werden wir eine SVM bauen, die Gesichtserkennung durchführt. Aber zuerst wollen wir einen Blick hinter die Kulissen werfen und herausfinden, warum SVMs oft die erste Wahl für die Modellierung von ...