¿Qué significa el modo svm?

Las máquinas de vectores de soporte (SVM) son un modelo de dos clasificaciones. El llamado modelo de dos clasificaciones significa que hay muchas características (variable independiente X) para otro elemento de etiqueta (variable dependiente Y). relación de función, por ejemplo, actualmente existen muchas características, incluida la altura, la edad, la educación, los ingresos, los años de educación, etc. *** 5 elementos, la variable dependiente es "si fumar", "si fumar" solo incluye dos artículos, fumadores y no fumadores. Entonces, el estudio de la relación entre los cinco elementos característicos de la clasificación "si fumar" se denomina "modelo de dos clasificaciones", pero de hecho muchas veces el elemento etiquetado (variable dependiente Y) tiene muchas categorías, como por ejemplo cierto elemento de la etiqueta Y es "preferencia de cocina". Hay muchas cocinas chinas, incluidas la cocina de Sichuan, la cocina de Shandong, la cocina cantonesa, la cocina de Fujian, la cocina de Jiangsu, la cocina de Zhejiang, la cocina de Hunan y la cocina de Anhui, un total de 8 categorías. , se requiere una 'función de decisión de clasificación múltiple'. La transformación puede entenderse simplemente como establecer modelos SVM para dos categorías (elija 2 de 8) y luego usarlos en combinación.

Los algoritmos de aprendizaje automático comunes incluyen árboles de decisión, bosques aleatorios, Bayes, etc., todos los cuales tienen buena interpretabilidad. Por ejemplo, los árboles de decisión dividen continuamente las características en categorías según los puntos de división. modelo de árbol de decisión y el modelo bayesiano se calcula utilizando el principio de probabilidad bayesiano. A diferencia de lo anterior, el modelo de máquina de vectores de soporte utiliza restricciones de planificación operativa para encontrar la solución óptima, y ​​esta solución óptima es un plano espacial. Este plano espacial se puede combinar con elementos característicos para separar completamente las dos categorías de "fumar" y ". "No fumar", encontrar este plano espacial es el principio del algoritmo central de la máquina de vectores de soporte.

El principio de cálculo de la máquina de vectores de soporte es complejo, pero su comprensión popular no es complicada. Solo necesita saber que necesita resolver el 'plano espacial', que puede combinar diferentes elementos de etiqueta (porque). Las categorías de la variable Y) se pueden dividir claramente. Al igual que otros algoritmos de aprendizaje automático, los pasos de construcción de una máquina de vectores de soporte generalmente requieren el procesamiento dimensional de los datos, establecer la proporción de datos de entrenamiento y datos de prueba, y configurar el ajuste de parámetros relacionados, y finalmente lograr un buen rendimiento en los datos de entrenamiento. también funciona bien con los datos de prueba.

SPSSAU puede realizar rápidamente análisis de máquinas de vectores de soporte.