Что такое форма сзв м: СЗВ-М в 2022 году: сроки сдачи, заполнение, бланк новой формы и образец

• Что такое метод опорных векторов?
• Как работает машина опорных векторов?
• Типы машин опорных векторов
• Примеры машин опорных векторов

Что такое метод опорных векторов?

Машина опорных векторов (SVM) — это алгоритм машинного обучения, который использует модели обучения с учителем для решения сложных задач классификации, регрессии и обнаружения выбросов путем выполнения оптимальных преобразований данных, которые определяют границы между точками данных на основе предопределенных классов, меток или выходы. SVM широко применяются в таких областях, как здравоохранение, обработка естественного языка, приложения для обработки сигналов и области распознавания речи и изображений.

Технически основная цель алгоритма SVM состоит в том, чтобы идентифицировать гиперплоскость, которая четко разделяет точки данных разных классов. Гиперплоскость локализована таким образом, что наибольший запас разделяет рассматриваемые классы.

Представление опорного вектора показано на рисунке ниже:

SVM оптимизируют границу между опорными векторами или классами

гиперплоскость без каких-либо внутренних опорных векторов. Такие гиперплоскости легче определить для линейно разделимых задач; однако для реальных задач или сценариев алгоритм SVM пытается максимизировать разницу между опорными векторами, тем самым приводя к неправильным классификациям для меньших участков точек данных.

SVM потенциально предназначены для решения задач двоичной классификации. Однако с ростом количества многоклассовых задач, требующих больших вычислительных ресурсов, создается несколько бинарных классификаторов, которые объединяются для формулировки SVM, которые могут реализовывать такие многоклассовые классификации с помощью двоичных средств.

В математическом контексте SVM относится к набору алгоритмов машинного обучения, которые используют методы ядра для преобразования характеристик данных с помощью функций ядра. Функции ядра основаны на процессе сопоставления сложных наборов данных с более высокими измерениями таким образом, чтобы упростить разделение точек данных. Функция упрощает границы данных для нелинейных задач, добавляя более высокие измерения для отображения сложных точек данных.

При введении дополнительных измерений данные не полностью преобразуются, поскольку они могут действовать как вычислительный процесс. Этот метод обычно называют уловкой ядра, при котором преобразование данных в более высокие измерения достигается эффективно и недорого.

Идея алгоритма SVM была впервые сформулирована в 1963 году Владимиром Н. Вапником и Алексеем Я. Червоненкис. С тех пор SVM приобрели достаточную популярность, поскольку они продолжают иметь широкомасштабное применение в нескольких областях, включая процесс сортировки белков, категоризацию текста, распознавание лиц, автономные автомобили, роботизированные системы и так далее.

Подробнее: Что такое нейронная сеть? Определение, работа, типы и приложения в 2022 году

Как работает машина опорных векторов?

Работу машины опорных векторов можно лучше понять на примере. Предположим, у нас есть красные и черные метки с функциями, обозначенными x и y. Мы намерены иметь классификатор для этих тегов, который классифицирует данные либо по красной, либо по черной категории.

Давайте нанесем размеченные данные на плоскость x-y, как показано ниже:

Типичный SVM разделяет эти точки данных на красные и черные теги с помощью гиперплоскости, которая в данном случае является двумерной линией. Гиперплоскость обозначает линию границы решения, в которой точки данных попадают под красную или черную категорию.

Гиперплоскость определяется как линия, которая расширяет поля между двумя ближайшими тегами или метками (красной и черной). Расстояние от гиперплоскости до ближайшей метки является наибольшим, что упрощает классификацию данных.

Приведенный выше сценарий применим к линейно разделимым данным. Однако для нелинейных данных простая прямая линия не может разделить отдельные точки данных.

Вот пример нелинейного сложного набора данных:

Приведенный выше набор данных показывает, что одной гиперплоскости недостаточно для разделения задействованных меток или тегов. Однако здесь векторы явно различаются, что облегчает их разделение.

Для классификации данных необходимо добавить еще одно измерение в пространство признаков. Для линейных данных, обсуждавшихся до этого момента, было достаточно двух измерений x и y. В этом случае мы добавляем z-размер, чтобы лучше классифицировать точки данных. Более того, для удобства воспользуемся уравнением для окружности z = x² + y².

С третьим измерением срез пространства признаков вдоль направления z выглядит следующим образом:

Теперь, с тремя измерениями, гиперплоскость в этом случае проходит параллельно направлению x при определенном значении z; давайте рассмотрим это как z = 1.

Остальные точки данных дополнительно сопоставляются с двумя измерениями.

На приведенном выше рисунке показана граница для точек данных вдоль объектов x, y и z вдоль окружности окружности с радиусом 1 единица, которая разделяет две метки тегов через SVM.

Давайте рассмотрим другой метод визуализации точек данных в трех измерениях для разделения двух тегов (в данном случае двух теннисных мячей разного цвета). Рассмотрим шары, лежащие на двумерной плоской поверхности. Теперь, если мы поднимем поверхность вверх, все теннисные мячи будут распределены в воздухе. Два шара разного цвета могут разделиться в воздухе в какой-то момент этого процесса. Пока это происходит, вы можете использовать или поместить поверхность между двумя отдельными наборами шариков.

Во всем этом процессе акт «подъема» 2D-поверхности относится к событию отображения данных в более высокие измерения, что технически называется «кернеллингом», как упоминалось ранее. Таким образом, сложные точки данных могут быть разделены с помощью большего количества измерений. Подчеркнутая здесь концепция заключается в том, что точки данных продолжают отображаться в более высоких измерениях до тех пор, пока не будет идентифицирована гиперплоскость, которая показывает четкое разделение между точками данных.

На рисунке ниже представлена ​​трехмерная визуализация описанного выше варианта использования:

Подробнее: Узкий ИИ, общий ИИ и супер-ИИ: ключевые сравнения

Типы машин опорных векторов

можно разделить на два типа: простой или линейный SVM и ядерный или нелинейный SVM.

1. Простой или линейный SVM

Линейный SVM относится к типу SVM, используемому для классификации линейно разделимых данных. Это означает, что когда набор данных можно разделить на категории или классы с помощью одной прямой линии, он называется линейным SVM, а данные называются линейно различными или разделимыми. Более того, классификатор, который классифицирует такие данные, называется линейным классификатором SVM.

Простой SVM обычно используется для решения задач классификации и регрессионного анализа.

2. Ядро или нелинейный SVM

Нелинейные данные, которые нельзя разделить на отдельные категории с помощью прямой линии, классифицируются с использованием ядра или нелинейного SVM. Здесь классификатор называется нелинейным классификатором. Классификацию можно выполнять с нелинейным типом данных, добавляя признаки в более высокие измерения, а не полагаясь на двумерное пространство. Здесь недавно добавленные функции соответствуют гиперплоскости, которая помогает легко разделять классы или категории.

SVM ядра обычно используются для решения задач оптимизации с несколькими переменными.

Подробнее : Что такое анализ настроений? Определение, инструменты и приложения

Примеры машин опорных векторов

SVM полагаются на контролируемые методы обучения для классификации неизвестных данных по известным категориям. Они находят применение в различных областях.

Здесь мы рассмотрим некоторые из лучших реальных примеров SVM:

1. Решение проблемы геозондирования

Проблема геозондирования является одним из широко распространенных вариантов использования SVM, в котором процесс используется для отслеживания многоуровневой структуры планеты. Это влечет за собой решение проблем инверсии, когда наблюдения или результаты проблем используются для факторизации переменных или параметров, которые их произвели.

В процессе линейная функция и алгоритмические модели опорных векторов разделяют электромагнитные данные. Кроме того, в этом случае при разработке моделей с учителем используются методы линейного программирования. Поскольку размер задачи значительно мал, размер измерения неизбежно будет крошечным, что объясняет картографирование структуры планеты.

2. Оценка потенциала сейсмического разжижения

Разжижение грунта является серьезной проблемой, когда происходят такие события, как землетрясения. Оценка его потенциала имеет решающее значение при проектировании любой гражданской инфраструктуры. SVM играют ключевую роль в определении появления и отсутствия таких аспектов разжижения. Технически SVM выполняют два теста: SPT (стандартное испытание на проникновение) и CPT (испытание на конусное проникновение), которые используют полевые данные для оценки сейсмического статуса.

Кроме того, SVM используются для разработки моделей, включающих несколько переменных, таких как факторы грунта и параметры разжижения, для определения прочности поверхности грунта. Считается, что SVM достигают точности, близкой к 96-97% для таких приложений.

3. Дистанционное обнаружение гомологии белков

Дистанционная гомология белков — это область вычислительной биологии, в которой белки классифицируются по структурным и функциональным параметрам в зависимости от последовательности аминокислот, когда идентификация последовательности кажется затруднительной. SVM играют ключевую роль в удаленной гомологии, при этом функции ядра определяют общность между белковыми последовательностями.

Таким образом, SVM играют определяющую роль в вычислительной биологии.

4. Классификация данных

Известно, что SVM решают сложные математические задачи. Однако сглаженные SVM предпочтительнее для целей классификации данных, в которых используются методы сглаживания, которые уменьшают выбросы данных и делают шаблон идентифицируемым.

Таким образом, для задач оптимизации гладкие SVM используют алгоритмы, такие как алгоритм Ньютона-Армиджо, для обработки больших наборов данных, которые не могут использовать обычные SVM. Гладкие типы SVM обычно используют математические свойства, такие как сильная выпуклость, для более простой классификации данных, даже с нелинейными данными.

5. Обнаружение лиц и классификация выражений

SVM классифицируют лицевые структуры по сравнению с другими. В обучающих данных используются два класса объекта лица (обозначается +1) и объекта без лица (обозначается -1) и n * n пикселей, чтобы различать структуры лица и не лица. Далее анализируется каждый пиксель, и из каждого извлекаются признаки, обозначающие лицевые и нелицевые символы. Наконец, процесс создает квадратную границу решения вокруг лицевых структур на основе интенсивности пикселей и классифицирует полученные изображения.

Кроме того, SVM также используются для классификации выражений лица, которая включает выражения, обозначаемые как счастливые, грустные, сердитые, удивленные и так далее.

6. Классификация текстуры поверхности

В текущем сценарии SVM используются для классификации изображений поверхностей. Подразумевается, что изображения поверхностей, по которым щелкнули мышью, могут быть переданы в SVM для определения текстуры поверхностей на этих изображениях и классификации их как гладких или шероховатых поверхностей.

7. Категоризация текста и распознавание рукописного ввода

Категоризация текста относится к классификации данных по предопределенным категориям. Например, новостные статьи содержат информацию о политике, бизнесе, фондовом рынке или спорте. Точно так же можно разделить электронные письма на спам, не спам, нежелательную почту и другие.

Технически каждой статье или документу присваивается оценка, которая затем сравнивается с предопределенным пороговым значением. Статья классифицируется в соответствующую категорию в зависимости от оцененного балла.

Для примеров распознавания рукописного ввода набор данных, содержащий отрывки, написанные разными людьми, передается в SVM. Как правило, классификаторы SVM сначала обучаются на выборочных данных, а затем используются для классификации почерка на основе значений баллов. Впоследствии SVM также используются для разделения текстов, написанных людьми и компьютерами.

8. Распознавание речи

В примерах распознавания речи слова из речи выбираются и разделяются по отдельности. Далее для каждого слова извлекаются определенные признаки и характеристики. Методы извлечения признаков включают кепстральные коэффициенты частоты Mel (MFCC), коэффициенты линейного предсказания (LPC), кепстральные коэффициенты линейного предсказания (LPCC) и другие.

Эти методы собирают аудиоданные, передают их в SVM, а затем обучают модели распознаванию речи.

9. Обнаружение стенографии

С помощью SVM вы можете определить, является ли любое цифровое изображение искаженным, загрязненным или чистым. Такие примеры полезны при решении вопросов, связанных с безопасностью, для организаций или государственных учреждений, поскольку проще шифровать и встраивать данные в качестве водяного знака в изображения с высоким разрешением.

Такие изображения содержат больше пикселей; следовательно, может быть сложно обнаружить скрытые сообщения или сообщения с водяными знаками. Однако одним из решений является разделение каждого пикселя и сохранение данных в разных наборах данных, которые впоследствии могут быть проанализированы SVM.

10. Обнаружение рака

Медицинские работники, исследователи и ученые во всем мире усердно трудятся над поиском решения, позволяющего эффективно обнаруживать рак на ранних стадиях. Сегодня для этого используется несколько инструментов AI и ML. Например, в январе 2020 года Google разработала инструмент искусственного интеллекта, который помогает в раннем выявлении рака молочной железы и снижает количество ложных срабатываний и отрицательных результатов.

В таких примерах можно использовать SVM, в которых раковые изображения могут быть предоставлены в качестве входных данных. Алгоритмы SVM могут анализировать их, обучать модели и, в конечном итоге, классифицировать изображения, которые выявляют признаки злокачественного или доброкачественного рака.

Подробнее : Что такое дерево решений? Алгоритмы, шаблоны, примеры и лучшие практики

Вывод

SVM имеют решающее значение при разработке приложений, включающих реализацию прогностических моделей. SVM легко понять и развернуть. Они предлагают сложный алгоритм машинного обучения для обработки линейных и нелинейных данных через ядра.

SVM находят применение в любой области и в реальных сценариях, где данные обрабатываются путем добавления пространств более высоких измерений.