دیدگاه های منظم سازی در ماشین های بردار پشتیبان راهی برای تفسیر ماشین های بردار پشتیبان ( SVM ) در زمینه سایر الگوریتم های یادگیری ماشینی مبتنی بر منظم سازی ارائه می کنند. الگوریتم های ماشین بردارپشتیبان داده های باینری را با هدف برازش داده های مجموعه آموزشی به گونه ای دسته بندی می کنند که میانگین تابع هزینه هینج و نرم L2 وزن های آموخته شده را به حداقل برساند. این استراتژی از بیش برازش از طریق منظم سازی تیخونوف و در مفهوم نرمL2 جلوگیری می کند و همچنین با به حداقل رساندن انحراف و واریانس تخمین گر ما از وزن ها مطابقت دارد. برآوردگرهایی با میانگین مجذور خطای کمتر، زمانی که داده های دیده نشده داده می شوند، بهتر پیش بینی می کنند یا بهتر تعمیم می دهند.
به طور خاص، الگوریتم های تنظیم تیخونوف یک مرز تصمیم گیری تولید می کنند که میانگین خطای مجموعه آموزشی را به حداقل می رساند و مرز تصمیم گیری را محدود می کند که بیش از حد پیچیده نباشد یا بیش برازش روی داده های تمرین نداشته باشدو اینکار را از طریق یک
وزن ها تنظیم کند. خطاهای آموزش و مجموعه تست را می توان بدون انحراف و به روشی منصفانه با استفاده از صحت، دقت، Auc - Roc، دقت و بازیابی و سایر معیارها اندازه گیری کرد.
دیدگاه های منظم سازی در ماشین های بردار پشتیبان، ماشین بردارپشتیبان را به عنوان یک مورد خاص از منظم سازی تیخونوف، به ویژه منظم سازی تیخونوف با از تابع هزینه هینج برای یک تابع هزینه، تفسیر می کند. این یک چارچوب نظری برای تجزیه و تحلیل الگوریتم های ماشین بردارپشتیبان و مقایسه آن ها با الگوریتم های دیگر با اهداف مشابه فراهم می کند: تعمیم بدون بیش برازش. ماشین بردارپشتیبان اولین بار در سال ۱۹۹۵ توسط کورینا کورتس و ولادیمیر واپنیک پیشنهاد شد و به صورت هندسی به عنوان روشی برای یافتن ابرصفحه ها که می تواند داده های چند بعدی را به دو دسته تقسیم کند، ارائه شد. [ ۱] این تفسیر هندسی سنتی ازماشین بردارپشتیبان شهود مفیدی را در مورد نحوه کار ماشین بردارپشتیبان ارائه می دهد، اما ارتباط با سایر تکنیک های یادگیری ماشینی برای جلوگیری از تطبیق بیش از حد، مانند منظم سازی، توقف اولیه، پراکندگی و استنتاج بیزی دشوار است. با این حال، هنگامی که کشف شد که ماشین بردارپشتیبان نیز یک مورد خاص از منظم سازی تیخونوف است، دیدگاه های منظم سازی در ماشین بردارپشتیبان تئوری لازم را برای تطبیق ماشین بردارپشتیبان در کلاس وسیع تری از الگوریتم ها ارائه کرد. [ ۲] [ ۳] این امکان مقایسه دقیق بین ماشین بردارپشتیبان و سایر اشکال منظم سازی تیخونوف را فراهم کرده است، و دلیل نظری را برای اینکه چرا استفاده از تابع هزینه ماشین بردارپشتیبان، یعنی از تابع هزینه هینج، سودمند است، را فراهم کرده است. [ ۴]
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفبه طور خاص، الگوریتم های تنظیم تیخونوف یک مرز تصمیم گیری تولید می کنند که میانگین خطای مجموعه آموزشی را به حداقل می رساند و مرز تصمیم گیری را محدود می کند که بیش از حد پیچیده نباشد یا بیش برازش روی داده های تمرین نداشته باشدو اینکار را از طریق یک
وزن ها تنظیم کند. خطاهای آموزش و مجموعه تست را می توان بدون انحراف و به روشی منصفانه با استفاده از صحت، دقت، Auc - Roc، دقت و بازیابی و سایر معیارها اندازه گیری کرد.
دیدگاه های منظم سازی در ماشین های بردار پشتیبان، ماشین بردارپشتیبان را به عنوان یک مورد خاص از منظم سازی تیخونوف، به ویژه منظم سازی تیخونوف با از تابع هزینه هینج برای یک تابع هزینه، تفسیر می کند. این یک چارچوب نظری برای تجزیه و تحلیل الگوریتم های ماشین بردارپشتیبان و مقایسه آن ها با الگوریتم های دیگر با اهداف مشابه فراهم می کند: تعمیم بدون بیش برازش. ماشین بردارپشتیبان اولین بار در سال ۱۹۹۵ توسط کورینا کورتس و ولادیمیر واپنیک پیشنهاد شد و به صورت هندسی به عنوان روشی برای یافتن ابرصفحه ها که می تواند داده های چند بعدی را به دو دسته تقسیم کند، ارائه شد. [ ۱] این تفسیر هندسی سنتی ازماشین بردارپشتیبان شهود مفیدی را در مورد نحوه کار ماشین بردارپشتیبان ارائه می دهد، اما ارتباط با سایر تکنیک های یادگیری ماشینی برای جلوگیری از تطبیق بیش از حد، مانند منظم سازی، توقف اولیه، پراکندگی و استنتاج بیزی دشوار است. با این حال، هنگامی که کشف شد که ماشین بردارپشتیبان نیز یک مورد خاص از منظم سازی تیخونوف است، دیدگاه های منظم سازی در ماشین بردارپشتیبان تئوری لازم را برای تطبیق ماشین بردارپشتیبان در کلاس وسیع تری از الگوریتم ها ارائه کرد. [ ۲] [ ۳] این امکان مقایسه دقیق بین ماشین بردارپشتیبان و سایر اشکال منظم سازی تیخونوف را فراهم کرده است، و دلیل نظری را برای اینکه چرا استفاده از تابع هزینه ماشین بردارپشتیبان، یعنی از تابع هزینه هینج، سودمند است، را فراهم کرده است. [ ۴]
