UNA支万博1manbetx持向量机（SVM）è联合国algoritmo diApprendimimento Con监督，Uritizato在Molti Classificaione e Regersione，Tra Cui Le Applicioni Mediche di Elaborazione Dei Segnali，L'Elaborazione del Linguaggio Naturale E ILRiconoscimento di Dati Immaginee VOCALI。
l'obiettivo di un al algoritmo svmèquellodi trovare联合国Iperpiano che sectivile，al miglior grado possibile，我punti di di di una classe da quelli di un'altra classe。按照“Migliore”Si Intende L'Iperpiano Che Ha Il Margine Maggiore Tra Le Due Classi，Rappresentate DalPiùe Dal Meno Nella Figura Qui Sotto。每条边缘Si Intende La Larghezza Massima Della Linea Spararda All'iperpiano Che Non Ha Punti Di Di Diati Iternti。L'Algoritmoè在Grado di Trovare联合国IPerpiano di Questo Tipo Solo Per Modo Lineare中的Separabili，Mentre Per Ir ConfultiPiùPriati L'Algoritmo Massimizza Il Margine Soft，IL Ch Ch Ch Che Consente Un Numero ridotto di classificaioni
Definizione del“Mangine”Tra Le Classi，IL Chiterio Che Svm Cercano diotimizzare。
我支万博1manbetx持矢量，Detti Anche Vettori di Sporto，Sono联合国Sottoinsieme Delle Osservazioni di Addestramento Che Identificano La Posizione Dell'Iperpiano Di Seplezione。L'Algoritmo SVM标准Qiene Formulato每问题II Classificazione Binari E I Callecti MultiClasse Vengono Generalmente ridotti一个Una Serie di问题李斌。
ESAMINANDOPIùAPPROFORAMENTAMENTESE L'ASPETTO Matematico，LE万博1manbetx支持向量机RIENRANO在UNA CLASSE DI Algoritmi DI机器学习Definiti Metodi Kernel，在Cuiè可能的Trasformare le Futhine Per Mezzo di Una Funzione内核。Le funzioni kernel mappano i dati su uno spazio diverso e spesso di dimensione superiore con l’idea che, dopo questa trasformazione, le classi saranno più facili da separare, semplificando potenzialmente i confini decisionali non lineari complessi in confini lineari nello spazio di dimensione superiore delle feature mappate. In questo processo, non è necessario trasformare esplicitamente i dati, il che sarebbe molto dispendioso a livello computazionale. Questo è tradizionalmente noto come il “kernel trick”.
马铃薯®万博1manbetxSupporta Diversti Kernel，Tra Cui：
| tipo di svm. | 内核迪美克 | 解释 |
|---|---|---|
| 径向基函数（RBF）o高斯诺 | \（k（x_1，x_2）= \ exp \ left（ - \ frac {\ | x_1 - x_2 \ | ^ 2} {2 \ sigma ^ 2} \右）\） | Addestramento di una classe。\（\ sigma \）èlalarghezza del内核 |
| lineare. | \（k（x_1，x_2）= x_1 ^ {\ mathsf {t}} x_2 \） |
Addestramento Di Auf Classi。 |
| pol | \（k（x_1，x_2）= \左（x_1 ^ {\ mathsf {t}} x_2 + 1 \右）^ {\ rho} \） |
\（\ rho \）èL'Ondinedel Polinomio |
| sigmoide. | \（k（x_1，x_2）= \ tanh \ left（\ beta__ {0} x_1 ^ {\ mathsf {t}} x_2 + \ beta_ {1} \右）\） |
Si Tratta di Un Kernel di Mercer Solo Per Alcuni Valori \（\ beta_ {0} \）e \（\ beta_ {1} \） |
Addestrare Una支万博1manbetx持向量机18号RISOLVERE联合国问题迪奥蒂玛齐齐奥斯Quadratica.Per eSebuire IL拟合DI UN IPERPIANO在GRACO DI MINEIZZARE IL MARGINE SOFT TRA LE CLASSI。IL Numero Di FeationTriasformateèMentenCodDal Numero di Vettori di Suppo万博1manbetxrto。
Aspetti Principali：
- Le 万博1manbetxSupport Vector Machine Sono Molto Conosciute e Garantiscono Ottime Prestioni在MolteAttivitàdi classificaione e回归。
- Sebene Le支持万博1manbetx向量机Siano制造Per La Classificazione Binaria，èCositibileCostruire UNA SVM Multiclasse CombinandoPiùClassificatori Binari。
- 我在Grado di Gestire有问题的IN kernel rendono le svmpiùflessibilienon lineari。
- 每个Realiptizare la superficie nemicatuale orcorrono solo i vettori di 万博1manbetxsupporto scelti tra i dati di advestramento。Una Volta Avvenuto L'Addestameno，I Dati Di Addestramento Rimanenti Sono Itillilevanti，Il Che Porta A Una Rappresentazione Compatta Del Modello，Adatta Alla Generazione Automatica Di Codice。
esempio
Le 万博1manbetxSupport vector machine mossono anche essere excerizzate per il Rilevamento di Anomalie，Mediante la costruzione di Una Svm A Una Classe Il Cui限制决定确定SE UN oggetto Appartiene Alla Classe“normale”Usando Una Soglia di Anomalia。在Questo Esempio，Matlab Mappa Tutti Gli Esempi Su Un'unica Classe Usando La Fradione Secoveria di Anomalie Riconosciuta来Parametro，来指令Di Seguito：FitCSVM（样本，of ......），'OutlierFraction'，......）。IL Grafico Mostra Gli iPerpiani di Seplezione每卷internallo dioutlierfaction.每个我是Dati Ottenuti da联合国任务di classificaionediativitàumane。
