Bu madde, uygun değildir.Türkçe harfler girilmeli. (Temmuz 2018)) ( |
Destek vektör makinesi (kısaca DVM), eğitim verilerindeki herhangi bir noktadan en uzak olan iki sınıf arasında bir bulan vektör uzayı tabanlı makine öğrenme yöntemi olarak tanımlanabilir.
==
ile temsil edilen her girdi, D özelliğine sahip olsun ve sadece = -1 ya da +1 sınıflarından birine ait olsun, bu durumda tüm girdileri şöyle gösterebiliriz:
Doğrusal olmayan veri kümesinin DVM ile sınıflandırılması
Kernel yöntemleri
Veri kümesinin doğrusal olarak sınıflandırılması mümkün olmayan durumlarda, her bir verinin üst özellik uzayıyla eşlenmesi ve yine bu yeni uzayda bir yardımıyla sınıflandırılması yöntemine verilen isimdir.
Çok sınıflı verinin DVM ile sınıflandırılması
Destek vektör makineleri daha çok iki sınıftan olusan (binary classification) veriyi ayırmada kullanılmaktadır, örneğin bir veri kümesindeki her bir veriyi kadın veya erkek olarak ayırmak. Buna karşın veriler bazen ikiden fazla sınıfa ait olabilirler bu gibi durumlarda temel DVM algoritması işlevsiz bir hale gelir. Örneğin farklı cinsten olan köpeklerin belli başlı özelliklerinin tutulduğu bir veri kümesinin bu özellikleri baz alarak sınıflandırılması gibi Golden Retriever, Siberian Husky, German Shepherd, Pug vb.
Bire çok yaklaşım
Genel anlamda sınıf sayısı kadar DVM'nin birbirine füzyonuyla elde edilir. Her DVM çıkan her bir sınıfı diğer sınıflarla karşılaştırarak bir sonuca ulaşır. Eğer kadar sınıf varsa sayıda DVM eğitilerek bu DVM'lerin birbiriyle kıyaslanarak hangi sınıf için en güvenilir sonucun çıktığına bakılarak sınıflandırma yapılır. girdi vektörü olmakla beraber sınıfı temsil etmektedir.
Bire bir yaklaşım
Bire bir yönteminde her bir sınıf ikilisi için farklı bir DVM eğitilir ve eğitilen DVM'lerden hangi sınıfın en çok "+1" olarak sınıflandırıldığına bakılır ve böylece sınıflandırma işlemi gerçekleştirilir. Bu yöntem bire çok yöntemine göre hesaplama gücü yönünden oldukça "pahalı" bir yöntemdir. Bunun sebebi, eğer kadar sınıf varsa bu durumda sayıda DVM eğitilmesi gerekmesidir.
girdi vektörü olmakla beraber ve sınıfları temsil etmektedirler.
Kaynakça
- ^ SCHLKOPF, BERNHARD. (2018). LEARNING WITH KERNELS : support vector machines, regularization, optimization, and beyond. [Place of publication not identified],: MIT Press. ISBN . OCLC 1039411838.
- ^ Computational intelligence paradigms in advanced pattern classification. Ogiela, Marek R., Jain, L. C. Berlin: Springer. 2012. s. 179. ISBN . OCLC 773925178.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Bu madde Vikipedi bicem el kitabina uygun degildir Maddeyi Vikipedi standartlarina uygun bicimde duzenleyerek Vikipedi ye katkida bulunabilirsiniz Gerekli duzenleme yapilmadan bu sablon kaldirilmamalidir Turkce harfler girilmeli Temmuz 2018 Destek vektor makinesi kisaca DVM egitim verilerindeki herhangi bir noktadan en uzak olan iki sinif arasinda bir bulan vektor uzayi tabanli makine ogrenme yontemi olarak tanimlanabilir xi displaystyle x i ile temsil edilen her girdi D ozelligine sahip olsun ve sadece yi displaystyle y i 1 ya da 1 siniflarindan birine ait olsun bu durumda tum girdileri soyle gosterebiliriz xi yi i 1 L yi 1 1 x ℜD displaystyle x i y i i 1 ldots L y i in 1 1 x in Re D Dogrusal olmayan veri kumesinin DVM ile siniflandirilmasiVeri kumeleri Dogrusal ayrisabilen ve dogrusal ayrilamayan iki ayri veri setiKernel yontemleri Veri kumesinin dogrusal olarak siniflandirilmasi mumkun olmayan durumlarda her bir verinin ust ozellik uzayiyla eslenmesi ve yine bu yeni uzayda bir yardimiyla siniflandirilmasi yontemine verilen isimdir K x y eg x y 2 displaystyle K x y e gamma x y 2 K x y x y 1 n displaystyle K x y x cdot y 1 n Cok sinifli verinin DVM ile siniflandirilmasiDestek vektor makineleri daha cok iki siniftan olusan binary classification veriyi ayirmada kullanilmaktadir ornegin bir veri kumesindeki her bir veriyi kadin veya erkek olarak ayirmak Buna karsin veriler bazen ikiden fazla sinifa ait olabilirler bu gibi durumlarda temel DVM algoritmasi islevsiz bir hale gelir Ornegin farkli cinsten olan kopeklerin belli basli ozelliklerinin tutuldugu bir veri kumesinin bu ozellikleri baz alarak siniflandirilmasi gibi Golden Retriever Siberian Husky German Shepherd Pug vb Bire cok yaklasim Genel anlamda sinif sayisi kadar DVM nin birbirine fuzyonuyla elde edilir Her DVM cikan her bir sinifi diger siniflarla karsilastirarak bir sonuca ulasir Eger N displaystyle N kadar sinif varsa N displaystyle N sayida DVM egitilerek bu DVM lerin birbiriyle kiyaslanarak hangi sinif icin en guvenilir sonucun ciktigina bakilarak siniflandirma yapilir f x argmaxifi x displaystyle f x arg max i f i x x displaystyle x girdi vektoru olmakla beraber i displaystyle i sinifi temsil etmektedir Bire bir yaklasim Bire bir yonteminde her bir sinif ikilisi icin farkli bir DVM egitilir ve egitilen DVM lerden hangi sinifin en cok 1 olarak siniflandirildigina bakilir ve boylece siniflandirma islemi gerceklestirilir Bu yontem bire cok yontemine gore hesaplama gucu yonunden oldukca pahali bir yontemdir Bunun sebebi eger N displaystyle N kadar sinif varsa bu durumda N N 1 2 displaystyle N N 1 over 2 sayida DVM egitilmesi gerekmesidir f x argmaxi jfij x displaystyle f x arg max i Bigl sum j f ij x Bigr x displaystyle x girdi vektoru olmakla beraber i displaystyle i ve j displaystyle j siniflari temsil etmektedirler Kaynakca SCHLKOPF BERNHARD 2018 LEARNING WITH KERNELS support vector machines regularization optimization and beyond Place of publication not identified MIT Press ISBN 0 262 53657 9 OCLC 1039411838 Computational intelligence paradigms in advanced pattern classification Ogiela Marek R Jain L C Berlin Springer 2012 s 179 ISBN 978 3 642 24049 2 OCLC 773925178