Matthew Wyant,Mathworks
支持万博1manbetx向量机(SVM)是一种流行的机器学习技术,可提供高精度,紧凑的型号。学习算法优化了决策边界,以最大限度地使用有助于单独类的内核函数最小化特征空间的分类错误和转换。
了解如何支持向量机器万博1manbetx工作以及内核转换如何增加类的可分离性。还要学习如何在Matlab中交互训练SVM
人类很擅长分类,我们每天都根据现有的观察和过去的经验进行分类。但如果我们需要对复杂的系统进行分类,或者每秒进行数千次分类,当然,我们希望它们可靠地准确。我们可以使用机器学习,这种算法让计算机能够从数据中学习并做出决定。
有许多不同的型号。我们将研究一种被称为支持向量机(SVM)的流行技术。万博1manbetx支持向量机是有监督的二元分类器,这意味着它们使用标签数据来学习如何将观察结果分类为两类。在训练过程中,支持向量机学习如何最好地分离数据,它通过寻找一个边界,使两个类之间的边界最大化。
在这两个尺寸的情况下,边界只是一条线。定义边界的数据点称为支持向量,因此,支持向量机。万博1manbetx当我们为我们的型号添加更多参数时,您可以想象将其扩展为更高的维度。在三个维度中,类之间的边界是平面,超出该飞机,这是一个超平面。大多数真实数据不会线性可分离。
SVM如何处理看起来像这样的数据集?没有线性关系来分隔此数据。SVM可以将数据转换为更高的维度以找到最佳分隔超平面。此转换称为内核功能。有许多类型的内核函数来系统地找到数据的最佳转换。
很明显,可以绘制一个圆圈来分隔数据,因此我们将使用圆圈的等式作为核心功能。围绕原点z的数据z平方等于x平方加y平方将数据转换为三维,因此我们可以分隔两个类。SVM是流行的,广泛用于解决分类问题。它们可以在Matlab中的分类Lerner和回归Learner应用程序中携带所有其他流行的机器学习算法。
让我们在Matlab中使用SVMS走过一个实用的例子。首先,我们将加载Matlab内置的示例数据集。此数据设置将人类活动分类为坐在,站立,行走,跑步或跳舞的五类中的一个。以前,我们讨论了SVMS是二进制分类器,但多个SVM可以用于多级问题。
让我们打开分类学习者应用程序,使您可以使用各种分类器交互式探索监督机器学习。我们的输入数据具有60个不同的功能,它是测试对象的加速度计数据的统计数据。然后,将选择响应参数并开始会话。
在应用程序中,我们可以将数据集和活动类视为散点图,并改变我们正在查看的预测器。我们可以选择我们想要训练的模型类型,这些是可用的支持向量机类型。我们可以并行训练不同的支持向量机,所以让我们训练所有的支持向量机,并使用一个效果最好的。
在这里我们可以调整我们训练的模型的特征。为了便于可视化决策边界,我们将使用主成分分析或PCA将特征缩减为两个维度。精度最高的支持向量机是使用精细的高斯核函数。我们可以查看模型正确和错误分类的点,以及关于每个类的更多细节的混淆矩阵。
让我们将模型导出到工作区并进一步探索它。在统计信息和机器学习工具箱中使用文档示例,您现在可以可视化决策边界
模型正在对新的观测结果进行分类。谢谢收看。有关支持向量机的更多信息,请参阅下面的链接。
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。