En este artículo, vamos a discutir la máquina de vectores de soporte en el aprendizaje automático. También cubriremos las ventajas y desventajas y la aplicación de las mismas. Discutamos uno por uno.
Máquinas de vectores de soporte :
la máquina de vectores de soporte es un sistema de aprendizaje supervisado y se utiliza para problemas de clasificación y regresión. La máquina de vectores de soporte es muy favorecida por muchos, ya que produce una corrección notable con menos potencia de cálculo. Se utiliza principalmente en problemas de clasificación. Tenemos tres tipos de aprendizaje supervisado, no supervisado y de refuerzo. Una máquina de vectores de soporte es un clasificador selectivo definido formalmente al dividir el hiperplano.
Dados los datos de entrenamiento etiquetados, el algoritmo genera el mejor hiperplano que clasificó nuevos ejemplos. En el espacio bidimensional, este hiperplano es una línea que divide un plano en dos partes donde cada clase se encuentra a cada lado. La intención del algoritmo de la máquina de vectores de soporte es encontrar un hiperplano en un espacio N-dimensional que clasifique por separado los puntos de datos.
Ventajas de la máquina de vectores de soporte:
- La máquina de vectores de soporte funciona comparativamente bien cuando hay un margen comprensible de disociación entre clases.
- Es más productivo en espacios de altas dimensiones.
- Es eficaz en los casos en que el número de dimensiones es mayor que el número de especímenes.
- La máquina de vectores de soporte es comparablemente sistemática de memoria.
Desventajas de la máquina de vectores de soporte:
- El algoritmo de máquina de vectores de soporte no es aceptable para grandes conjuntos de datos.
- No se ejecuta muy bien cuando el conjunto de datos tiene más sonido, es decir, las clases objetivo se superponen.
- En los casos en que la cantidad de propiedades para cada punto de datos supere la cantidad de especímenes de datos de entrenamiento, la máquina de vectores de soporte tendrá un rendimiento inferior.
- Como el clasificador de vectores de soporte funciona colocando puntos de datos, por encima y por debajo del hiperplano clasificador, no hay aclaración probabilística para la clasificación.
Aplicaciones de la máquina de vectores de soporte:
- Observación de rostros:
se utiliza para detectar el rostro según el clasificador y el modelo. - Disposición de texto e hipertexto:
en esto, la técnica de categorización se utiliza para encontrar información importante o puede decir la información requerida para organizar el texto. - Agrupación de representaciones:
también se usa en la Agrupación de representaciones para agrupar o puede decir comparando la información y tomar una acción en consecuencia. - Bioinformática :
también se usa para la ciencia médica, así como en laboratorio, ADN, investigación, etc. - Recuerdo de escritura a mano:
en esto, se utiliza para el reconocimiento de escritura a mano. - Detección de pliegues de proteínas y homología remota:
se utiliza para detectar o puede decir la clase de clasificación en clases funcionales y estructurales dadas sus secuencias de aminoácidos. Es uno de los problemas de la bioinformática. - Control predictivo generalizado (GPC):
también se utiliza para el control predictivo generalizado (GPC) para predecir y se basa en el control predictivo utilizando una red de alimentación hacia adelante de múltiples capas a medida que se presenta el modelo lineal de plantas.
Publicación traducida automáticamente
Artículo escrito por goelaparna1520 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA