{"id":423,"date":"2016-04-17T23:58:21","date_gmt":"2016-04-17T21:58:21","guid":{"rendered":"http:\/\/tomaszkacmajor.pl\/?p=423"},"modified":"2016-04-30T18:09:26","modified_gmt":"2016-04-30T16:09:26","slug":"support-vector-machine","status":"publish","type":"post","link":"https:\/\/tomaszkacmajor.pl\/index.php\/2016\/04\/17\/support-vector-machine\/","title":{"rendered":"Support Vector Machine"},"content":{"rendered":"

Ze wzgl\u0119du na to, \u017ce przy operacji oddzielania t\u0142a<\/a> od obrazu w projekcie Flover<\/a> u\u017cywam algorytmu Support Vector Machine (SVM), postaram si\u0119 go dzisiaj przyst\u0119pnie opisa\u0107. To bardzo popularna metoda znana ze swojej skuteczno\u015bci w dziedzinie Machine Learning. Ma za zadanie jak najlepiej odseparowa\u0107<\/strong> od siebie elementy r\u00f3\u017cnego typu ze zbioru ucz\u0105cego, czyli umie\u015bci\u0107 je w optymalnie<\/strong> oddzielonych grupach.
\n<\/p>\n

Jak to wyt\u0142umaczy\u0107 pi\u0119ciolatkowi?<\/h3>\n

O modelu SVM, kt\u00f3ry w t\u0142umaczeniu troch\u0119 dziwnie brzmi: Maszyna Wektor\u00f3w No\u015bnych, s\u0105 nawet ca\u0142e ksi\u0105\u017cki (linki na dole), lecz niestety zazwyczaj w takich formalnych opisach znajduje si\u0119 bardzo du\u017co matematyki. Zastanawia\u0142em si\u0119 jak ten temat w miar\u0119 \u0142atwo przekaza\u0107. Bardzo podoba mi si\u0119 pytanie<\/a> zadane na Reddicie<\/a> w dziale Machine Learning: Wyja\u015bnijcie mi prosz\u0119 Support Vector Machine, \u017cebym zrozumia\u0142 gdybym by\u0142 pi\u0119colatkiem. Proste przyk\u0142ady s\u0105 najlepsze, zatem przytocz\u0119 nast\u0119puj\u0105c\u0105 odpowied\u017a:<\/p>\n

Wyobra\u017amy sobie, \u017ce na stole s\u0105 poustawiane pi\u0142ki o dw\u00f3ch kolorach. Czerwone po jednej stronie sto\u0142u a niebieskie po drugiej. Naszym zadaniem jest takie po\u0142o\u017cenie kijka na stole, \u017ceby oddziela\u0142 te dwie grupy. Trzeba to tak zrobi\u0107, aby odleg\u0142o\u015b\u0107 mi\u0119dzy kijkiem a ka\u017cd\u0105 pi\u0142k\u0105 by\u0142a mo\u017cliwie najwi\u0119ksza. A wi\u0119c to proste! Jednak po chwili kto\u015b dok\u0142ada niebiesk\u0105 kulk\u0119 w miejsce czerwonych. No to teraz nie znajdziemy na \u015bwiecie takiego kijka, kt\u00f3ry by nam rozdzieli\u0142 te dwie grupy. Musia\u0142by by\u0107 niesamowicie wygi\u0119ty. Ale na szcz\u0119\u015bcie mo\u017cemy zrobi\u0107 pewn\u0105 sztuczk\u0119: wywr\u00f3cimy st\u00f3\u0142, a gdy wszystkie pi\u0142ki b\u0119d\u0105 w powietrzu przetniemy je kartk\u0105 papieru ruchem sprawnego wojownika Ninja. W ten spos\u00f3b rozdzielimy pi\u0142ki na dwie grupy. Powa\u017cni doro\u015bli ludzie na pi\u0142ki m\u00f3wi\u0105 dane, na kijek i kartk\u0119 – klasyfikator albo hiperp\u0142aszczyzna, na u\u0142o\u017cenie kijka w najwi\u0119kszej odleg\u0142o\u015bci od pi\u0142ek – optymalizacja, a na wywr\u00f3cenie sto\u0142u – transformacja za pomoc\u0105 funkcji j\u0105drowych.<\/p>\n

Przenoszenie danych do wy\u017cszych wymiar\u00f3w<\/h3>\n

Przedstawiony problem jest bardzo og\u00f3lny i sama klasyfikacja mo\u017ce by\u0107 wykonywana na wiele r\u00f3\u017cnych sposob\u00f3w. Support Vector Machine cechuje si\u0119, tym \u017ce pr\u00f3buje oddzieli\u0107 dane funkcj\u0105 liniow\u0105<\/strong>, a je\u015bli to nie wychodzi przenosi dane do wy\u017cszych wymiar\u00f3w (wywraca st\u00f3\u0142) i wtedy jeszcze raz pr\u00f3buje znale\u017a\u0107 tak\u0105 funkcj\u0119. Poni\u017cej \u015bwietna wizualizacja tego procesu.<\/p>\n

\n