আমি আমার গবেষণা কাজের জন্য সাইকিট-লার্নে প্রয়োগ করা একটি শ্রেণির এসভিএম ব্যবহার করছিলাম। তবে আমার এ সম্পর্কে ভাল ধারণা নেই।
কেউ দয়া করে একটি শ্রেণির এসভিএমের একটি সহজ, ভাল ব্যাখ্যা দিতে পারেন ?
আমি আমার গবেষণা কাজের জন্য সাইকিট-লার্নে প্রয়োগ করা একটি শ্রেণির এসভিএম ব্যবহার করছিলাম। তবে আমার এ সম্পর্কে ভাল ধারণা নেই।
কেউ দয়া করে একটি শ্রেণির এসভিএমের একটি সহজ, ভাল ব্যাখ্যা দিতে পারেন ?
উত্তর:
ওয়ান ক্লাস এসভিএম দ্বারা সম্বোধন করা সমস্যাটি হ'ল ডকুমেন্টেশন হিসাবে, নতুনত্ব সনাক্তকরণ । এই টাস্কের জন্য কীভাবে এসভিএম ব্যবহার করা যায় সে সম্পর্কে বর্ণনা দেওয়ার মূল কাগজটি হ'ল "অভিনবত্ব সনাক্তকরণের জন্য সমর্থন ভেক্টর পদ্ধতি "।
অভিনবত্ব সনাক্তকরণের ধারণাটি বিরল ঘটনাগুলি সনাক্ত করা, অর্থাত্ ঘটনাবলী যা খুব কম ঘটে এবং তাই এর মধ্যে আপনার কাছে খুব কম নমুনা থাকে। সমস্যাটি হ'ল, শ্রেণিবদ্ধকে প্রশিক্ষণের স্বাভাবিক পদ্ধতিটি কার্যকর হবে না।
তাহলে আপনি কীভাবে সিদ্ধান্ত নেবেন যে কোনও অভিনব প্যাটার্নটি কী ?. অনেক পদ্ধতির তথ্যের সম্ভাবনার ঘনত্বের অনুমানের উপর ভিত্তি করে। অভিনবত্ব সেই নমুনাগুলির সাথে মিল যেখানে সম্ভাবনার ঘনত্ব "খুব কম"। কত কম অ্যাপ্লিকেশন উপর নির্ভর করে।
এখন, এসভিএমগুলি সর্বাধিক-মার্জিন পদ্ধতি, অর্থাত তারা কোনও সম্ভাবনা বন্টনকে মডেল করে না। এখানে ধারণাটি এমন একটি ফাংশন সন্ধান করা যা উচ্চ ঘনত্বের পয়েন্ট সহ অঞ্চলের জন্য ইতিবাচক এবং ছোট ঘনত্বের জন্য নেতিবাচক।
কৌতুকপূর্ণ বিবরণ কাগজে দেওয়া আছে। ;) যদি আপনি সত্যিই কাগজটি নিয়ে যাওয়ার ইচ্ছা রাখেন তবে নিশ্চিত করুন যে আপনি প্রথমে শ্রেণিবিন্যাসের জন্য বেসিক এসভিএম অ্যালগরিদমের সেটিংস বুঝতে পেরেছেন। এটি সীমানা এবং প্রেরণাটি অ্যালগরিদম বুঝতে আরও সহজ করে তুলবে।
অ্যাক্টিভ লার্নিংয়ের জন্য কিছু অর্ধ-তত্ত্বাবধান উপায়ে পাইপলাইনের জন্য আপনি এক শ্রেণির এসভিএম ব্যবহার করতে পারেন।
প্রাক্তন: এসভিএম যেমন পূর্বের বর্ণিত হিসাবে সর্বাধিক-মার্জিন পদ্ধতি নিয়ে কাজ করে, আপনি সেই মার্জিন অঞ্চলগুলিকে কিছু নির্দিষ্ট শ্রেণির সীমানা হিসাবে বিবেচনা করতে পারেন এবং পুনরায় সম্পর্ক স্থাপন করতে পারেন।