در درسِ گذشته و در یک سری از دروسِ دوره شبکه‌های عصبی با پرسپترون آشنا شدیم. پرسپترون در واقع یک طبقه‌بند است که می‌تواند با رسمِ یک خط (با داشتن شیب خط و انحراف آن) تفاوتِ دو طبقه را شناسایی کند (مثال پراید و اتوبوس). اما در درسِ قبلی مشاهده کردیم که مشکل پرسپترون در طبقه‌بندی چه می‌تواند باشد. شکلِ زیر را از درس قبلی به یاد بیاورید:
همان‌طور که مشاهده کردید، پرسپترون نمی‌تواند به این مهم برسد که کدام خط به را به عنوان خطِ طبقه‌بند انتخاب کند. در واقع ممکن است خطِ انتخابی توسطِ پرسپترون خطِ درستی برای طبقه‌بند نباشد و این خط می‌تواند خطای طبقه‌بندی را افزایش دهد.
ماشینِ بردار پشتیبان یک نمونه از پرسپترونِ تقویت شده است. پس اگر با پرسپترون آشنایی ندارید حتما دوره‌ی شبکه عصبی را خوانده باشید. ماشین بردار پشتیبان یا همان Support Vector Machine که به اختصار SVM نیز خوانده می‌شود، می‌تواند از بینِ خطوطِ مختلف در شکل بالا، خطِ مناسب را جهت طبقه‌بندی پیدا کند. اما این خطِ مناسب چگونه پیدا می‌شود؟ به شکل زیر نگاه کنید:
فرض کنید الگوریتمی مانند پرسپترون توانسته است این ۳ خط را برای جدا کردنِ پراید‌ها (نقاط سبز) و اتوبوس‌ها (نقاط قرمز) رسم کند. احتمالاً می‌توانید حدس بزنید که خط شماره‌ی ۲ به نوعی بهترین خطِ متمایز کننده است. این خط، یک خط متمایز کننده است که بیشترین فاصله را نسبت به نمونه‌ها (نقاطِ مختلف) در دو طبقه پراید و اتوبوس دارد. در واقع این خط بیشترین حاشیه (margin) را نسبت به نمونه‌ها در فضا دارد و می‌توان گفت که خطِ بهینه‌ای است. مشکلِ موجود در پرسپترون را از درس قبل به یاد بیاورید. ماشین بردار پشتیبان می‌تواند خطی را رسم کند که مشکل پرسپترون را نداشته باشد. یعنی خطی باشد که بیشترین فاصله را نسبت به هر دو طبقه‌ی پراید و اتوبوس داشته باشد.
البته این خطِ متمایز کننده در واقع یک نمونه از اَبَر صفحه یا همان hyper plane در فضاهای چند بعدی است. برای این‌که بدانید hyper plane چیست این درس را بخوانید. پس در واقع کارِ SVM ایجادِ یک اَبَر صفحه برای جدا سازی طبقه‌ها (طبقه‌بندی داده‌ها) است به گونه‌ای که این ابر صفحه بتواند نسبت به نمونه‌های موجود در طبقه‌ها بیشترین فاصله را داشته باشد. چیزی مانند شکل زیر:
آموزش خلاصه و مفیدی بود و به زبان ساده مطلب بیان شده بود. اگر امکانش هست در مورد support vector regression ها هم توضیح بدین
خسته نباشید
لطفا تاریخ انتشار مطالب رو هم در بالا یا پایین تدریس بزارید
سایتتون هم که حرف نداره.
سلام خسته نباشید
اگه میشه الگوریتم بهینه ملخ رو هم توضیح بدین
ممنون
با سلام و عرض خسته نباشید خدمت شما و تشکر فراوان بخاطر آموزش های خوبتون من دنباله تعریف تابع پایه شعاعی هستم ی تعریف اجمالی که متاسفانه تو سایت پیدا نکردم تو سایت های دیگه هم خیلی سطح بالا توضیح داده اند در صورت امکان ممنون میشم توضیح بدین کار این تابع چیه هر چند مختصر ممنون میشم