Destek vektör makinesi: Revizyonlar arasındaki fark
[kontrol edilmiş revizyon] | [kontrol edilmiş revizyon] |
k Kategori:Makine öğrenimi eklendi (HotCat) |
Tamamlama Kernel metodlari ve Cok sinifli verinin siniflandirilma yontemleri |
||
9. satır: | 9. satır: | ||
x\in\Re^D</math> |
x\in\Re^D</math> |
||
=== Kernel Metodlari === |
|||
Veri kumesinin dogrusal olarak siniflandirilmasi mumkun olmayan durumlarda, herbir berinin ust ozellik uzayina map edilmesi ve yine bu yeni uzayda bir hyperplane yardimiyla siniflandirilmasi. |
|||
[[Dosya:Kernel yontemi ile veriyi daha fazla dimensiyonlu uzaya tasima islemi.png|küçükresim]] |
|||
==== RBF Kernel ==== |
|||
==== Polinomsal Kernel ==== |
|||
=== Cok sinifli verinin siniflandirilmasi === |
|||
Destek vektor makineleri daha cok iki siniftan olusan veriyi ayirmada kullanilmaktadir, ornegin positif veya negatif. |
|||
==== One-vs-All Yontemi ==== |
|||
Genel anlamda sinif sayisi kadar DVM nin birbirine fuzyonuyla elde edilir. Her DVM cikan her bir sinifi diger siniflarla karsilastirark bi sonuca ulasir. |
|||
==== All-vs.-All Yontemi ==== |
|||
One-vs.-All yontemine paralel bir yontemdir sadece son karar kismi bu yontemi digerinden ayirir. |
|||
[[Kategori:Veri madenciliği]] |
[[Kategori:Veri madenciliği]] |
||
[[Kategori:Makine öğrenimi]] |
[[Kategori:Makine öğrenimi]] |
||
[[Kategori:Sınıflandırma]] |
Sayfanın 22.07, 25 Haziran 2017 tarihindeki hâli
Bu madde hiçbir kaynak içermemektedir. (Şubat 2017) (Bu şablonun nasıl ve ne zaman kaldırılması gerektiğini öğrenin) |
Destek vektör makinesi (kısaca DVM), eğitim verilerindeki herhangi bir noktadan en uzak olan iki sınıf arasında bir karar sınırı bulan vektör uzayı tabanlı makine öğrenme yöntemi olarak tanımlanabilir.
Teori
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:
Kernel Metodlari
Veri kumesinin dogrusal olarak siniflandirilmasi mumkun olmayan durumlarda, herbir berinin ust ozellik uzayina map edilmesi ve yine bu yeni uzayda bir hyperplane yardimiyla siniflandirilmasi.
RBF Kernel
Polinomsal Kernel
Cok sinifli verinin siniflandirilmasi
Destek vektor makineleri daha cok iki siniftan olusan veriyi ayirmada kullanilmaktadir, ornegin positif veya negatif.
One-vs-All Yontemi
Genel anlamda sinif sayisi kadar DVM nin birbirine fuzyonuyla elde edilir. Her DVM cikan her bir sinifi diger siniflarla karsilastirark bi sonuca ulasir.
All-vs.-All Yontemi
One-vs.-All yontemine paralel bir yontemdir sadece son karar kismi bu yontemi digerinden ayirir.