Tôi đã sử dụng một lớp SVM , được triển khai trong scikit-learn, cho công việc nghiên cứu của tôi. Nhưng tôi không có hiểu biết tốt về điều này.
Bất cứ ai có thể xin vui lòng giải thích đơn giản, tốt về một lớp SVM ?
Tôi đã sử dụng một lớp SVM , được triển khai trong scikit-learn, cho công việc nghiên cứu của tôi. Nhưng tôi không có hiểu biết tốt về điều này.
Bất cứ ai có thể xin vui lòng giải thích đơn giản, tốt về một lớp SVM ?
Câu trả lời:
Vấn đề được giải quyết bởi One Class SVM, như tài liệu nói, là phát hiện tính mới . Bài báo gốc mô tả cách sử dụng các SVM cho tác vụ này là " Phương pháp vectơ hỗ trợ cho phát hiện mới lạ ".
Ý tưởng phát hiện tính mới là phát hiện các sự kiện hiếm, tức là các sự kiện hiếm khi xảy ra, và do đó, bạn có rất ít mẫu. Vấn đề là sau đó, cách đào tạo phân loại thông thường sẽ không hiệu quả.
Vì vậy, làm thế nào để bạn quyết định một mô hình tiểu thuyết là gì ?. Nhiều cách tiếp cận dựa trên ước tính mật độ xác suất của dữ liệu. Tính mới lạ tương ứng với các mẫu có mật độ xác suất "rất thấp". Làm thế nào thấp phụ thuộc vào ứng dụng.
Bây giờ, các SVM là các phương thức có biên độ tối đa, tức là chúng không mô hình phân phối xác suất. Ở đây, ý tưởng là tìm một hàm dương cho các vùng có mật độ điểm cao và âm đối với mật độ nhỏ.
Các chi tiết nghiệt ngã được đưa ra trong bài báo. ;) Nếu bạn thực sự có ý định xem qua bài báo, hãy đảm bảo rằng trước tiên bạn hiểu các cài đặt của thuật toán SVM cơ bản để phân loại. Nó sẽ làm cho dễ dàng hơn nhiều để hiểu các giới hạn và động lực của thuật toán.
Bạn có thể sử dụng One Class SVM cho một số đường ống cho Active Learning theo cách bán giám sát.
Ví dụ: Vì SVM xử lý một phương thức lề tối đa như được mô tả trước đây, bạn có thể coi các vùng lề đó là ranh giới cho một số lớp cụ thể và thực hiện việc dán nhãn lại.