Maschinelles Lernen mit Python Kochbuch, 2.

Kapitel 17. Support-Vektor-Maschinen

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

17.0 Einleitung

Um zu verstehen, müssen wir Hyperebenen verstehen. Formal gesehen ist eine Hyperebene ein n - 1 Unterraum in einemn-dimensionalen Raum. Das hört sich zwar komplex an, ist aber eigentlich ganz einfach. Wenn wir zum Beispiel einen zweidimensionalen Raum unterteilen wollen, verwenden wir eine eindimensionale Hyperebene (d. h. eine Linie). Wenn wir einen dreidimensionalen Raum unterteilen wollen, verwenden wir eine zweidimensionale Hyperebene (ein flaches Stück Papier oder ein Bettlaken). Eine Hyperebene ist einfach eine Verallgemeinerung dieses Konzepts auf n Dimensionen.

Support-Vektor-Maschinen klassifizieren Daten, indem sie die Hyperebene finden, die den Abstand zwischen den Klassen in den Trainingsdaten maximiert. In einem zweidimensionalen Beispiel mit zwei Klassen können wir uns eine Hyperebene als das breiteste gerade "Band" (d. h. eine Linie mit Rändern) vorstellen, das die beiden Klassen trennt.

In diesem Kapitel behandeln wir das Training von Support-Vektor-Maschinen in einer Vielzahl von Situationen und schauen uns an, wie wir den Ansatz erweitern können, um häufige Probleme zu bewältigen.

17.1 Training eines linearen Klassifikators

Problem

Du musst auf ein Modell trainieren, um Beobachtungen zu klassifizieren.

Lösung

Verwende einen Support Vector Classifier (SVC), um die Hyperebene ...