SVM
Support Vector Mchine
ماشین بردار پشتیبان
شهرت این روش بخاطر تشخیص نوشته های دست نویسOCR بوده
از روش های شبکه عصبی بهتر بوده
SVM( جزو شاخه Kernel Method است )
شبکه عصبی به دنبال خطی بود که بتواند دسته بندی کند
در شبکه عصبی wi ها را update می کرد تا دقیق تر شود ( persepptorant
هدف : (Clustering – دسته بندی – Ranking – پاکسازی)
مسایل :نمایش الگو های پیچیده – پرهیز از overfitting )
اگر دو کلاس مثبت و منفی داریم باید بتوانیم با SVM از هم جدا کنیم
جدا کننده های مختلفی امکان دارد که باشد ولی کدام جدا کننده از همه بهتر است : خطی که از خط های مرزی بیشتری فاصله را داشته باشد.
معادله خط : w1X1+w2X2+b=0
که برای حال n بعدی هم قابل تعمیم است
آیا کاربرد ماشین بردار پشتیبان برای نقاطی هست که کاملا از هم تفکیک هستند ؟ خیر ، با ترسیم فضای چند بعدی می توان با این روش تفکیک را انجام داد.
این جلسه تا ابتدای فرمول ها
چند لینک مرتبط با SVM
http://www.statsoft.com/textbook/support-vector-machines/
http://research.microsoft.com/en-us/groups/vgv/
http://www.idsia.ch/~juergen/rnn.html
http://jmlr.org/papers/volume1/mangasarian01a/html/node2.html
http://www.jvrb.org/past-issues/3.2006/760
http://docs.opencv.org/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html
