Cómo el análisis predictivo de máquinas de vectores de soporte predice el futuro
los máquinas de vectores soporte (SVM) es un algoritmo de clasificación de los datos de análisis predictivo que asigna nuevos elementos de datos a una de las categorías marcadas. SVM es, en la mayoría de los casos, una binario classifier- se supone que los datos en cuestión contiene dos posibles valores objetivo.
Video: Stranger Things Alfabeto Vector sublimación serigrafia
Otra versión del algoritmo SVM, multiclase SVM, aumenta SVM para ser utilizado como clasificador en un conjunto de datos que contiene más de una clase (agrupación o categoría). SVM ha sido utilizado con éxito en muchas aplicaciones, tales como el reconocimiento de imágenes, diagnóstico médico, y el análisis de textos.
Supongamos que usted está diseñando un modelo de análisis predictivo que reconocerá y predecir el nombre de un objeto en una imagen de forma automática. Esto es esencialmente el problema de la reconocimiento de imagen - o, más específicamente, el reconocimiento de rostros: Usted quiere que el clasificador para reconocer el nombre de una persona en una foto.
Bueno, antes de abordar ese nivel de complejidad, considere una versión más simple del mismo problema: Suponga que tiene imágenes de piezas individuales de frutas y desea que su clasificador para predecir qué tipo de fruta aparece en la imagen. Suponga que tiene sólo dos tipos de frutas: manzanas y peras, uno por cada imagen.
Dado una nueva imagen, desea predecir si la fruta es una manzana o una pera - sin mirar el cuadro. Desea que la SVM para clasificar cada cuadro como manzana o pera. Al igual que con todos los otros algoritmos, el primer paso es entrenar al clasificador.
Suponga que tiene 200 fotos de diferentes manzanas y peras de 200 imágenes. El paso de aprendizaje consiste en alimentar esas imágenes al clasificador por lo que se entera de lo que una manzana se parece y lo que una pera se parece. Antes de entrar en este primer paso, es necesario transformar cada imagen en una matriz de datos, utilizando (por ejemplo) el paquete estadístico R.
Una manera simple de representar una imagen como números en una matriz es buscar formas geométricas dentro de la imagen (por ejemplo, círculos, líneas, cuadrados o rectángulos) y también las posiciones de cada instancia de cada forma geométrica. Esos números también pueden representar coordenadas de los objetos dentro de la imagen, como se representan en un sistema de coordenadas.
Como se puede imaginar, lo que representa una imagen como una matriz de números no es precisamente una tarea sencilla. Todo un área distinta de la investigación está dedicada a la representación de la imagen.
A continuación se muestra cómo una máquina de vectores de soporte puede predecir la clase de una fruta (etiquetado es matemáticamente como manzana o Pera), En base a lo que el algoritmo ha aprendido en el pasado.
Supongamos que haya convertido todas las imágenes en las matrices de datos. A continuación, la máquina de soporte vectorial tiene dos entradas principales:
Anterior datos (formación): Este conjunto de matrices corresponde a imágenes de manzanas y peras visto anteriormente.
Los nuevos datos (no visto) se compone de una imagen convertida a una matriz. El objetivo es predecir automáticamente lo que está en la imagen - una manzana o una pera.
Los vectores de soporte utiliza una función matemática, a menudo llamada función del núcleo que es una función matemática que coincide con los nuevos datos a la mejor imagen a partir de los datos de entrenamiento con el fin de predecir la etiqueta de la imagen desconocida (manzana o pera).
Video: Maquina de Soporte Vectorial
En comparación con otros clasificadores, máquinas de vectores soporte producen robustos predicciones, precisos, son menos afectados por los datos ruidosos, y son menos propensos a overfitting. Tenga en cuenta, sin embargo, que las SVM son los más adecuados para la clasificación binaria - cuando se tiene sólo dos categorías (como manzana o pera).