Maxay yihiin Mashiinnada Vector-ka Taageerada?

Maxay yihiin Mashiinnada Vector-ka Taageerada?

Mashiinada taageerada waa nooc ka mid ah kala-saarayaasha barashada mashiinka, oo lagu doodi karo mid ka mid ah noocyada ugu caansan ee kalasaarayaasha. Mashiinnada vector-ka taageera ayaa si gaar ah faa'iido u leh saadaalinta tirooyinka, kala-soocidda, iyo hawlaha aqoonsiga qaabka.

Taageerada mashiinada vector-ka waxay ku shaqeeyaan iyagoo sawiraya xuduudaha go'aannada ee u dhexeeya dhibcaha xogta, iyaga oo ujeedadoodu tahay xadka go'aanka ee sida ugu wanaagsan u kala sooca dhibcaha xogta fasallada (ama kan ugu caansan). Hadafka marka la isticmaalayo mashiinka vector-ka taageerada waa in xadka go'aanka ee u dhexeeya dhibcaha uu yahay inta ugu badan ee suurtogalka ah si masaafada u dhaxaysa dhibic kasta oo xog ah iyo xariiqda xadka la kordhiyo. Taasi waa sharaxaad degdeg ah oo ku saabsan sida Mashiinnada taageerada vector (SVMs) shaqeeyaan, laakiin aan qaadano wakhti aan si qoto dheer u baarno sida SVM-yadu u shaqeeyaan una fahmaan macquulka ka dambeeya hawlgalkooda.

Hadafka Taageerada Mashiinnada Vector

Bal qiyaas garaaf ay ku dul qoran yihiin tiro xog ah, oo ku salaysan sifada ay qeexeen faasasyada X iyo Y. Dhibcaha xogta ee garaafku si dabacsan ayaa loo qaybin karaa laba rucubood oo kala duwan, iyo kutlada ay barta xogtu ka tirsan tahay waxay tusinaysaa fasalka barta xogta. Hadda ka soo qaad in aan rabno in aan hoos u dhigno garaafka kala saaraya labada fasal ee midba midka kale, iyada oo dhammaan dhibcaha xogta hal fasal laga helay dhinac ka mid ah xariiqda iyo dhammaan dhibcaha xogta ee fasalka kale laga helay dhinaca kale. ee xariiqda. Xariiqan kala soocida waxaa loo yaqaanaa hyperplane.

Waxaad ka fikiri kartaa mashiinka vector-ka taageerada inuu abuurayo "wadooyin" magaalada oo dhan, isaga oo u kala saaraya magaalada degmooyinka labada dhinac ee wadada. Dhammaan dhismayaasha (goobaha xogta) ee laga helo dhinac ka mid ah wadada waxay leeyihiin hal degmo.

Hadafka mashiinka taageerada ma aha oo kaliya in la sawiro hyperplane iyo qaybinta dhibcaha xogta, laakiin in la sawiro hyperplane waxay kala saartaa dhibcaha xogta oo leh marinka ugu weyn, ama inta ugu badan ee u dhaxaysa xariiqda qaybinta iyo dhibic kasta oo xog ah. U soo noqoshada "wadooyinka" sarbeebaha, haddii qorsheelaha magaaladu uu qorsheeyo waddo xor ah, ma rabaan in jidka xorta ah uu aad ugu dhawaado guryaha ama dhismayaasha kale. Inta badan ee u dhexeeya jidka xorta ah iyo dhismayaasha labada dhinacba, ayaa ka sii wanaagsan. Mar kasta oo xadkan uu weynaado, waa inta badan "kalsooni" kala saaruhu wuxuu noqon karaa mid ku saabsan saadaalintiisa. Marka laga hadlayo kala-soocidda binary, sawirida hyperplane saxda ah waxay ka dhigan tahay doorashada hyperplane oo kaliya dhexda u ah labada fasal ee kala duwan. Haddi go'aanku xuduudka/diyaaraddu ka fogaato hal fasal, waxay u dhawaanaysaa mid kale. Sidaa darteed, hyperplane waa in ay isku dheelitirto xadka u dhexeeya labada fasal ee kala duwan.

Xisaabinta Duulimaadka Hawada Sare

Marka sidee mashiinka vector-ka taageeraa u go'aamiyaa xadka go'aanka ee kala soocida ugu wanaagsan? Tan waxaa lagu fuliyaa iyadoo la xisaabinayo suurtagalnimada diyaaradaha hawada sare iyadoo la isticmaalayo qaacido xisaabeed. Ma dabooli doono qaacidada lagu xisaabinayo diyaaradaha hawada sare si faahfaahsan, laakiin xariiqda waxaa lagu xisaabiyaa qaacidada jiirada/line ee caanka ah:

Y = faas + b

Dhanka kale, xariiqyada waxaa laga sameeyay dhibco, taas oo macnaheedu yahay hyperplane kasta waxaa lagu sifayn karaa sida: gunnada dhibcaha ee barbar socda hyperplane-ka la soo jeediyay, sida lagu go'aamiyo miisaannada waqtiyada moodeelka qaababka qaababka wax ka beddelka / eexda la cayimay. ("d").

SVM-yadu waxay sawiraan diyaarado badan. Tusaale ahaan, xariiqda xudduudku waa hal diyaarad, laakiin dhibcaha xogta ee kala soociyuhu tixgeliyo waxay sidoo kale ku jiraan hyperplane. Qiimaha x waxa lagu go'aamiyaa iyadoo lagu salaynayo sifooyinka ku jira kaydka xogta. Tusaale ahaan, haddii aad haysatid xog-ururin leh dhererka iyo miisaanka dad badan, astaamaha "dhererka" iyo "miisaanka" waxay noqon lahaayeen sifooyinka loo isticmaalo xisaabinta "X". Xadka u dhexeeya hyperplane-ka la soo jeediyay iyo "xeerka taageerada" ee kala duwan (datapoints) ee laga helay labada dhinac ee qaybinta hyperplane waxaa lagu xisaabiyaa qaacidooyinka soo socda:

W * X – b

Markaad wax badan ka akhrin karto xisaabta ka dambeysa SVMs, haddii aad raadineyso faham dheeri ah oo ku saabsan iyaga kaliya ogow in ujeedadu tahay in la kordhiyo masaafada u dhexeysa soo jeedinta kala soocida hyperplane / xadka iyo diyaaradaha kale ee isku midka ah ee barbar socda ( iyo meelaha xogta laga helay).

Sawirka: ZackWeinberg iyadoo la sii marayo Wikimedia Commons, CC BY SA 3.0 (https://commons.wikimedia.org/wiki/File:Svm_separating_hyperplanes_(SVG.svg)

Kala saarista Kala-duwanaanshaha

Habka lagu sharraxay ilaa hadda wuxuu khuseeyaa hawlaha kala-soocidda binary. Si kastaba ha noqotee, kalasaarayaasha SVM sidoo kale waxaa loo isticmaali karaa hawlaha kala soocida aan binary ahayn. Marka la samaynayo kala-soocidda SVM ee xog-ururin leh saddex fasal ama ka badan, khadadka xadka ayaa la isticmaalaa. Tusaale ahaan, haddii hawsha kala-soocidda ay ka kooban tahay saddex qaybood halkii ay ka ahayd laba, laba xariiq oo qaybin ayaa loo qaybin doonaa si loo qaybiyo dhibcaha xogta fasallo iyo gobolka ka kooban hal fasal ayaa u dhexayn doona laba xariiq oo qaybin ah halkii uu mid ka mid ahaa. Halkii kaliya laga xisaabin lahaa masaafada u dhaxaysa laba fasal oo keliya iyo xuduud go'aan, kalasaaruhu waa inuu hadda tixgeliyo xadka u dhexeeya xudduudaha go'aanka iyo fasallada badan ee ku jira xogta xogta.

Kala-soocida Aan Khadka Ahayn

Habka kor lagu sharaxay waxa uu quseeyaa kiisaska ay xogtu si toos ah u kala go'do. Ogsoonow, dhab ahaantii, xog-ururinta waligood ma aha kuwo si toos ah loo kala saari karo, taas oo macnaheedu yahay marka la isticmaalayo kala-soocida SVM waxaad badanaa u baahan doontaa inaad isticmaasho. laba farsamo oo kala duwan: Margin jilicsan iyo khiyaamada kernel. Tixgeli xaalad ay dhibcaha xogta fasallada kala duwan ay isku dhafan yihiin, iyadoo ay jiraan tusaalooyin ka tirsan hal fasal oo ka mid ah "cluster" ee fasal kale. Sideed u yeelan kartaa kala-sooreuhu inuu u maareeyo xaaladahan?

Mid ka mid ah xeeladda loo isticmaali karo in lagu maareeyo xog-ururin aan toos ahayn waa adeegsiga "margin jilicsan" kala soocida SVM. Kala soocida margin jilicsan waxay ku shaqeysaa aqbala dhowr dhibcood oo xog ah oo si khaldan loo kala saaray. Waxay isku dayi doontaa inay sawirto xariiq si fiican u kala sooca kooxaha dhibcaha xogta midba midka kale, maadaama ay ka kooban yihiin inta badan dhacdooyinka fasaladooda. Margin jilicsan ee SVM classifier wuxuu isku dayaa inuu abuuro xariiq qaybin kaas oo dheellitiran labada dalab ee kala soocida: saxnaanta iyo margin. Waxay isku dayi doontaa inay yarayso kala soocida khaldan iyadoo waliba sare u qaadaysa xadka.

Dulqaadka SVM ee qaladka waxaa lagu hagaajin karaa iyada oo la adeegsanayo qalab-beero loo yaqaan "C". Qiimaha C ayaa koontaroolaya Immisa qaybood oo taageero ah ayuu kalasaaruhu tixgelinayaa marka uu go'aan ka soo saarayo xuduudaha. Qiimaha C waa ganaax lagu dabaqo kala saarid khaldan, taasoo la macno ah in marka uu weynaado qiimaha C ay yaraynayso taageerada kala-soociddu ay xisaabta ku darsato oo ay sii yaraanayso xad-dhaafka.

Kernelku wuu khiyaaneeyaa xogta wuxuuna u beddelaa qaab aan toos ahayn. Sawirka: Shiyu Ju oo la sii marayo Wikmedia Commons, CC BY SA 4.0 (https://commons.wikimedia.org/wiki/File:Kernel_trick_idea.svg)

Trick Kernel wuxuu ku shaqeeyaa iyadoo lagu dabaqayo isbeddellada aan tooska ahayn ee astaamaha ku jira kaydka xogta. Trick Kernel wuxuu qaataa sifooyinka jira ee kaydinta xogta wuxuuna abuuraa sifooyin cusub iyada oo loo marayo adeegsiga hawlaha xisaabeed ee aan tooska ahayn. Maxaa ka dhalanaya adeegsiga isbeddeladan aan tooska ahayn waa xuduud go'aan aan toos ahayn. Sababtoo ah kala soocida SVM hadda kuma xaddidna inuu sawiro xuduudaha go'aannada toosan waxay bilaabi kartaa inay sawirto xudduudaha go'aannada qalloocan kuwaas oo si fiican u koobaya qaybinta runta ah ee vectors taageerada oo keena kala-saarid khaldan ugu yaraan. Laba ka mid ah kernels-ka aan tooska ahayn ee SVM ee ugu caansan waa Radial Basis Function iyo Polynomial. Hawsha badiyaa waxay abuurtaa isku-dhafka badan ee dhammaan sifooyinka jira, halka Shaqada Saldhigga Radial-ka ay soo saarto sifooyin cusub iyagoo cabbiraya masaafada u dhaxaysa barta/dhibcaha dhexe ee dhammaan dhibcaha kale.