এসভিএমের তুলনায় সাপোর্ট ভেক্টর রিগ্রেশন কতটা আলাদা?

আমি এসভিএম এবং এসভিআর সম্পর্কে বেসিকগুলি জানি, তবে এখনও আমি হাইপারপ্লেন যা প্রান্তিকতা সর্বাধিকতর করে SVR- র সাথে ফিট করে তা খুঁজে পেতে সমস্যাটি পাই না।

দ্বিতীয়ত, আমি এসভিআর-এ সহনশীলতার মার্জিন হিসাবে ব্যবহৃত সম্পর্কে কিছু পড়েছি । এর মানে কী? $\epsilon$

তৃতীয়, এসভিএম এবং এসভিআরে ব্যবহৃত ফাংশন পরামিতিগুলির মধ্যে কোনও পার্থক্য রয়েছে?

regression machine-learning svm

— encodeflush
সূত্র

আমি সাইড ভিউ স্ট্যাটাস

— প্রশ্নগুলি /

শ্রেণিবদ্ধকরণ এবং প্রতিরোধের জন্য এসভিএম, উভয়ই একটি ব্যয় ফাংশনের মাধ্যমে কোনও ফাংশন অনুকূলকরণের বিষয়ে, তবে পার্থক্যটি ব্যয় মডেলিংয়ের মধ্যে lies

শ্রেণিবিন্যাসের জন্য ব্যবহৃত একটি সমর্থন ভেক্টর মেশিনের এই দৃষ্টান্তটি বিবেচনা করুন।

যেহেতু আমাদের লক্ষ্যটি দুটি শ্রেণির একটি ভাল বিভাজন, আমরা একটি সীমানা গঠনের চেষ্টা করি যা এর সান্নিধ্যপূর্ণ দৃষ্টান্তগুলির (সমর্থনকারী ভেক্টর) এর মধ্যে যতটা সম্ভব বিস্তৃত একটি মার্জিন ছেড়ে যায়, উদাহরণস্বরূপ এই প্রান্তরে পড়ে যাওয়ার সম্ভাবনা, পর্যাপ্ত পরিমাণে উচ্চ মূল্যের ব্যয় (নরম মার্জিন এসভিএমের ক্ষেত্রে)।

রিগ্রেশনের ক্ষেত্রে লক্ষ্যটি হ'ল একটি বাঁক খুঁজে পাওয়া যা এটিতে পয়েন্টের বিচ্যুতি হ্রাস করে। এসভিআর দ্বারা, আমরা একটি মার্জিনও ব্যবহার করি, তবে সম্পূর্ণ ভিন্ন লক্ষ্য নিয়ে - আমরা বক্রাকারের চারপাশে একটি নির্দিষ্ট মার্জিনের মধ্যে থাকা দৃষ্টান্তগুলি যত্ন করি না কারণ বাঁকগুলি কিছুটা ভালভাবে ফিট করে। এই মার্জিনটি এসভিআর এর পরামিতি দ্বারা সংজ্ঞায়িত করা হয় । মার্জিনের মধ্যে পড়ে এমন উদাহরণগুলির কোনও মূল্য ব্যয় হয় না, এজন্যই আমরা ক্ষতিটিকে 'এপসিলন-সংবেদনশীল' হিসাবে উল্লেখ করি। $\epsilon$

সিদ্ধান্ত ফাংশনের উভয় পক্ষের জন্য আমরা sla জোন এর বাইরের বিচ্যুতিগুলির জন্য অ্যাকাউন্টে প্রতিটি একটি স্ল্যাক ভেরিয়েবল সংজ্ঞায়িত করি। $\xi_+, \xi_-$ $\epsilon$

এটি আমাদের অনুকূলিতকরণের সমস্যা দেয় (দেখুন ই। আলপায়দিন, মেশিন লার্নিংয়ের পরিচিতি, ২ য় সংস্করণ)

m i n \frac{1}{2} | | w | |^{2} + C \sum_{t} (ξ_{+} + ξ_{-})

$min \frac{1}{2} ||w||^2 + C\sum_{t} (\xi_+ + \xi_-)$

বিষযে

r^{t} - (w^{T} x + w_{0}) \leq ϵ + ξ_{+}^{t} (w^{T} x + w_{0}) - r^{t} \leq ϵ + ξ_{-}^{t} ξ_{+}^{t}, ξ_{-}^{t} \geq 0

$r^t - (\textbf{w}^T \textbf{x} + w_0) \leq \epsilon + \xi_{+}^{t}\\ (\textbf{w}^T \textbf{x} + w_0)-r^t \leq \epsilon + \xi_{-}^{t}\\ \xi_{+}^{t},\xi_{-}^{t} \geq 0$

রিগ্রেশন এসভিএমের প্রান্তের বাইরের উদাহরণগুলি অপ্টিমাইজেশনে ব্যয় করে, সুতরাং অপ্টিমাইজেশনের অংশ হিসাবে আমাদের এই ব্যয়টিকে হ্রাস করার লক্ষ্যে আমাদের সিদ্ধান্ত ফাংশনটিকে পরিমার্জন করে, তবে বাস্তবে মার্জিনটি সর্বাধিক করে না কারণ এটি এসভিএম শ্রেণিবিন্যাসের ক্ষেত্রে হবে।

এটি আপনার প্রশ্নের প্রথম দুটি অংশের উত্তর দেওয়া উচিত ছিল।

আপনার তৃতীয় প্রশ্ন সম্পর্কে: আপনি এখনই গ্রহণ করতে পারেন, এসভিআর ক্ষেত্রে একটি অতিরিক্ত পরামিতি। একটি নিয়মিত SVM পরামিতি এখনও থাকা তাই শাস্তি মেয়াদ পাশাপাশি অন্যান্য প্যারামিটার মত, কার্নেল দ্বারা প্রয়োজন হয় RBF কার্নেল ক্ষেত্রে। $\epsilon$ $C$ $\gamma$

— deemel
সূত্র