(আপনি প্রথমে নীচে "টেবিল "টি দেখতে চাইতে পারেন)
আসুন "ক্লাসিক" সমর্থন ভেক্টর মেশিনগুলি দিয়ে শুরু করি। এগুলি দুটি বিভাগের মধ্যে বৈষম্য বজায় রাখতে শেখে। আপনি বিভাগ A এর কয়েকটি উদাহরণ সংগ্রহ করেন এবং বিভাগ দুটির কয়েকটি সংগ্রহ করেন এবং সেগুলিকে উভয়কে এসভিএম প্রশিক্ষণ অ্যালগরিদমে পাস করেন, যা লাইন / প্লেন / হাইপারপ্লেনটি আবিষ্কার করে যা এটিকে বি থেকে আলাদা করে ফেলে works এটি কাজ করে - এবং এটি প্রায়শই বেশ ভালভাবে কাজ করে - কখন আপনি ভাল-সংজ্ঞায়িত এবং পারস্পরিক একচেটিয়া শ্রেণীর মধ্যে পার্থক্য করতে চান: পুরুষ বনাম মহিলারা, বর্ণমালার অক্ষর এবং আরও অনেক কিছু।
তবে, ধরুন আপনি পরিবর্তে "A" গুলি সনাক্ত করতে চান। আপনি এটি একটি শ্রেণিবদ্ধকরণ সমস্যা হিসাবে বিবেচনা করতে পারেন: আমি কীভাবে "A" গুলি "নন-এ" গুলি থেকে পৃথক করব। কুকুরের ছবি সমন্বিত একটি প্রশিক্ষণ সেট সংগ্রহ করা মোটামুটি সহজ, তবে কুকুর নয় এমন প্রশিক্ষণ সংস্থায় আপনার কী যাওয়া উচিত? যেহেতু এখানে অসীম সংখ্যক জিনিস রয়েছে যা কুকুর নয়, আপনার পক্ষে সমস্ত নন-কাইনিন সামগ্রীর একটি বিস্তৃত এবং এখনও প্রতিনিধি প্রশিক্ষণের সেট তৈরি করতে অসুবিধা হতে পারে। পরিবর্তে, আপনি এক-শ্রেণীর শ্রেণিবদ্ধ ব্যবহার করে বিবেচনা করতে পারেন। Traditionalতিহ্যবাহী, দ্বি-শ্রেণীর শ্রেণিবদ্ধকারী একটি (হাইপার) বিমান আবিষ্কার করে যা এটিকে বি থেকে আলাদা করে এক-শ্রেণীর এসভিএম পরিবর্তে লাইন / প্লেন / হাইপারপ্লেনটি আবিষ্কার করে যা শ্রেণি বিন্দুগুলির ("এ" গুলি) উত্স থেকে পৃথক করে ;
এনসেম্বল এসভিএম "সিস্টেম" আসলে অনেকগুলি দ্বি-শ্রেণীর এসভিএম "সাবুনিটস" এর সংগ্রহ। প্রতিটি সাবুনিট একক ব্যবহার করে প্রশিক্ষিত হয়এক শ্রেণীর জন্য ইতিবাচক উদাহরণ এবং অন্যটির জন্য নেতিবাচক উদাহরণগুলির একটি বিশাল সংগ্রহ। সুতরাং, কুকুর বনাম-কুকুর উদাহরণ (আদর্শ দ্বি-শ্রেণীর এসভিএম), বা কুকুর বনাম উত্স (এক-শ্রেণীর এসভিএম) এর পরিবর্তে প্রতিটি সাবুনিট নির্দিষ্ট কুকুর (যেমন, "রেক্স") এবং অনেকগুলি কুকুরের মধ্যে বৈষম্যমূলক আচরণ করে উদাহরণ। স্বতন্ত্র সাবুনিট এসভিএমগুলি ইতিবাচক শ্রেণীর প্রতিটি উদাহরণের জন্য প্রশিক্ষিত হয়, সুতরাং আপনার কাছে রেক্সের জন্য একটি এসভিএম, ফিডোর জন্য আরেকটি, আপনার প্রতিবেশীর কুকুরের জন্য অন্য একটি সকাল am টায় ছাঁটাই করবে, ইত্যাদি। এই সাবুনিট এসভিএমগুলির আউটপুটগুলি ক্যালিব্রেট করা হয় এবং এটি নির্ধারণের জন্য মিলিত হয় যে কেবল একটি নির্দিষ্ট উদাহরণস্বরূপ নয়, একটি কুকুর পরীক্ষার তথ্যগুলিতে উপস্থিত হয়েছে কিনা determine আমার ধারণা আপনি পৃথক সাবনিটগুলি কিছুটা এক-শ্রেণীর এসভিএমগুলির মতোও ভাবতে পারেন, যেখানে স্থানাঙ্ক স্থানটি স্থানান্তরিত হয় যাতে একক ইতিবাচক উদাহরণটি উত্সে থাকে।
সংক্ষেপে, মূল পার্থক্যগুলি হ'ল:
প্রশিক্ষণ ডেটা
- দুটি শ্রেণির এসভিএম: ইতিবাচক এবং নেতিবাচক উদাহরণ
- এক শ্রেণির এসভিএম: কেবলমাত্র ইতিবাচক উদাহরণ
- এসভিএম "সিস্টেম" এনসেম্বল করুন: ইতিবাচক এবং নেতিবাচক উদাহরণ। প্রতিটি সাবুনিট একক ইতিবাচক উদাহরণ এবং অনেক নেতিবাচক উদাহরণের উপর প্রশিক্ষিত হয়।
মেশিনের সংখ্যা
- দুই শ্রেণির এসভিএম: একটি
- এক শ্রেণির এসভিএম: একটি
- এসভিএম "সিস্টেম" এনসেম্বল করুন: অনেকগুলি (ইতিবাচক উদাহরণে একটি সাবুনিট মেশিন)
প্রতি ক্লাসের উদাহরণ (প্রতি মেশিনে)
- দুই শ্রেণির এসভিএম: অনেক / অনেক
- এক শ্রেণির এসভিএম: অনেক / এক (উত্সে স্থির)
- এসভিএম "সিস্টেম" এনসেম্বল করুন: অনেক / অনেক
- এসভিএম "সাবুনিট" এনসেম্বল করুন: এক / বহু
পোস্ট প্রসেসিং
- দুই শ্রেণির এসভিএম: প্রয়োজনীয় নয়
- এক শ্রেণির এসভিএম: প্রয়োজনীয় নয়
- এনসেম্বল এসভিএম: প্রতিটি এসভিএমের আউটপুটকে শ্রেণিক স্তরের পূর্বাভাসে ফিউজ করা দরকার।
পোস্টস্ক্রিপ্ট: আপনি তাদের জিজ্ঞাসা করেছিলেন "" অন্যান্য পদ্ধতির মাধ্যমে "উদাহরণস্বরূপগুলিকে একটি সাধারণ বৈশিষ্ট্য স্থানে ম্যাপিংয়ের প্রয়োজন হয় যার উপরে একটি মিলের কার্নেল গণনা করা যায়" " আমি মনে করি তারা বোঝায় যে একটি traditionalতিহ্যবাহী দ্বি-শ্রেণীর এসভিএম অনুমানের অধীনে পরিচালিত হয় যে শ্রেণীর সমস্ত সদস্য একরকমই সমান, এবং তাই আপনি একটি কার্নেল সন্ধান করতে চান যা একে অপরের নিকটে দুর্দান্ত নানান এবং ড্যাচসুন্ড রাখে , তবে সমস্ত কিছু থেকে অনেক দূরে। বিপরীতে, এসেমিবল এসভিএম সিস্টেম এটিকে উদাহরণস্বরূপ সম্পর্কগুলির বিষয়ে চিন্তা না করে যথেষ্ট পরিমাণে দান-জাতীয় বা ডাকসুন্ড-এর মতো বা পোডল-জাতীয় মতো থাকলে কুকুরটিকে ডেকে এটিকে পাশ কাটিয়ে দেয়।