Python Data Science Handbook, 2. Auflage

Kapitel 43. Vertiefung: Support-Vektor-Maschinen

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

Support Vector Machines (SVMs) sind eine besonders leistungsfähige und flexible Klasse von überwachten Algorithmen für Klassifizierung und Regression. In diesem Kapitel werden wir die Intuition hinter SVMs und ihre Verwendung bei Klassifizierungsproblemen erkunden.

Wir beginnen mit den Standardimporten:

In [1]: %matplotlib inline
        import numpy as np
        import matplotlib.pyplot as plt
        plt.style.use('seaborn-whitegrid')
        from scipy import stats

Hinweis

Farbige Abbildungen in voller Größe sind in den ergänzenden Materialien auf GitHub verfügbar.

Motivierende Support-Vektor-Maschinen

Im Rahmen unserer Diskussion über die Bayes'sche Klassifizierung (sieheKapitel 41) haben wir ein einfaches Modell kennengelernt, das die Verteilung jeder zugrunde liegenden Klasse beschreibt, und wir haben damit experimentiert, um die Beschriftungen für neue Punkte probabilistisch zu bestimmen. Das war ein Beispiel für generative Klassifizierung; hier werden wir stattdessendiskriminative Klassifizierung betrachten. Das heißt, anstatt jede Klasse zu modellieren, werden wir einfach eine Linie oder Kurve (in zwei Dimensionen) oder eine Mannigfaltigkeit (in mehreren Dimensionen) finden, die die Klassen voneinander trennt.

Betrachte als Beispiel dafür den einfachen Fall einer Klassifizierungsaufgabe, bei der die beiden Klassen von ...