svm 모드는 무엇을 의미하나요?

서포트 벡터 머신(SVM)은 2분류 모델이라고 불리는데, 이는 다른 라벨 항목(종속변수 Y)에 대한 특징(독립변수 X)이 많다는 것을 의미합니다. 함수 관계를 예로 들면, 현재 키, 나이, 학력, 소득, 교육년수 등 많은 특성이 있습니다. ***5개 항목, 종속변수는 '흡연 여부', '흡연 여부'만 포함 흡연과 비흡연 두 가지 항목입니다. 그러면 '흡연 여부' 분류에서 이들 5가지 특징 항목의 역할에 대한 연구를 '2분류 모델'이라고 부르는데, 실제로는 라벨 항목(종속변수 Y)이 특정 라벨 항목 Y는 '요리 선호도'입니다. 현재 중국 요리에는 사천 요리, 산둥 요리, 광둥 요리, 복건 요리, 장쑤 요리, 절강 요리, 후난 요리, 안후이 요리 등 총 8개 항목이 있습니다. , '다중 분류 결정 기능'이 필요합니다. 변환은 단순히 두 범주(8개 중 2개 선택)에 대한 SVM 모델을 설정하고 이를 조합하여 사용하는 것으로 이해될 수 있습니다.

일반적인 기계 학습 알고리즘에는 의사 결정 트리, 랜덤 포레스트, 베이즈 등이 포함됩니다. 위의 모든 것들은 해석성이 좋습니다. 예를 들어 의사 결정 트리는 분할 지점에 따라 기능을 지속적으로 카테고리로 나눕니다. 의사결정 트리 모델과 베이지안 모델은 베이지안 확률 원리를 사용하여 계산됩니다. 위와 달리 지원 벡터 머신 모델은 최적의 솔루션을 찾기 위해 운영 계획 제약 조건을 사용하며, 이 최적의 솔루션은 공간 평면입니다. 이 공간 평면은 특징 항목과 결합되어 '흡연'과 '흡연'이라는 두 가지 범주를 완전히 분리할 수 있습니다. non-smoking' 에서 이 공간 평면을 찾는 것이 서포트 벡터 머신의 핵심 알고리즘 원리입니다.

서포트 벡터 머신의 계산 원리는 복잡하지만 대중적인 이해는 복잡하지 않습니다. 서로 다른 레이블 항목을 결합할 수 있는 '공간 평면'을 해결해야 하기 때문입니다. 변수 Y) 카테고리를 명확하게 나눌 수 있습니다. 다른 기계 학습 알고리즘과 마찬가지로 서포트 벡터 머신의 구성 단계에서는 일반적으로 데이터의 차원 처리, 학습 데이터와 테스트 데이터의 비율 설정, 관련 매개 변수 튜닝 설정이 필요하며 최종적으로 학습 데이터에서 좋은 성능을 얻습니다. 테스트 데이터에서도 잘 수행됩니다.

SPSSAU는 지원 벡터 머신 분석을 신속하게 수행할 수 있습니다.