SVMアルゴリズムがどのように機能するかを詳細に説明することは可能ですか？ 高水準では、SVM、パラメータ、それ以外のすべての種類の詳細を詳しく調べる必要はありません。具体的には、幾何学的解釈に対して代数を説明する答えを意味する。 私は、トレーニングセットからデータポイントを2つの事前ラベル付きカテゴリに分ける決定境界を見つけることを理解します。カテゴリ間の可能な限りのギャップを見つけて、それを通る分離境界を描くことによってそうすることを求めることも理解しています。私が知りたいのは、その決定をどのようにして行うのかです。私はコードを探しているのではなく、実行された計算とロジックについての説明です。 私はそれに直交性と関係があることを知っていますが、具体的な手順はどこでも非常に「あいまい」ですので説明が見つかります。SVMはどのように機能しますか？
ここでは、1つの精巧なアルゴリズムをきちんとカバーするvideoがあります。私の大きな啓示は、（1）平方和を最小化する（まだ簡単に微分可能）ことが私たちに最適であるように、常に正の値を与える重要なメトリックのの方形を最適化することです。 （2）単純ではあるが、はっきりとはっきりしない「カーネルトリック」を使用して、ベクトル分類を容易に計算する。
N個のディメンションのギャップスペースを定義するN + 1個のベクトルを残して、不要な用語が消える方法を注意深く見てください。
ありがとうございます。 [この動画]（https://www.youtube.com/watch?v=1NxnPkZM9bc）でもうまく説明されています。 – ASignor
SVMの仕組みを理解し続けるのに役立つ非常に細かい情報をお伝えします。
すべてを単純、2次元、線形分離可能なデータにします。 SVMの一般的な考え方は、2つのクラス間のマージンを最大にするハイパープランを見つけることです。それぞれのデータは中心からのベクトルです。あなたはハイパープランを提案し、データベクトルをハイパープランを定義するベクトルに投影して、投影ベクトルの長さがハイパープランの前後かどうかを確認します。これは2つのクラスを定義する方法です。
これは非常に簡単な方法です。次に、いくつかの論文やビデオに従って詳細を調べることができます。
これは非常に役に立ちます。あなたは、2つのクラスのデータを分離するハイパープランをどのように見つけ出し、その情報を使って、同じクラスではなく互いに閉じている2つのポイントを見つけるかということですか？そうですか？これらのポイントを見つけたら、それを得ることができます。すべてのベクトルが2つのポイントの差に直交するベースを使って、ハイパープランを定義することができます。私の問題は、最初にそれらをどのように分けるのか分からなかったことです。それはあなたが私に言ったことです、そうですか？ – ASignor
を検索し、超平面を記述すると、中心からそれに直交するベクトルを定義します。クラス間の最大マージンに基づいて定義します。文献によって詳細を見つけることができます。新しいポインティング "ベクトル"の場合、これを超平面を定義したこのベクトル上に投影し、それがどのクラスに属するかを示すベクトルと比較して長さを測定します。これは非常に単純な直感で、その背後にあるアルゴリズムを理解するためにはもっと読む必要があります。 – Feras
よくない質問です。私は、Hastie、Tibshirani、et al。による「統計学習の紹介」を読むことをお勧めします。 – duffymo
非常に異なる最適化/計算方法が少なくとも10個あります。そして、それを選ぶときでさえ、（あなたが聞きたくないものに）これらの制約すべてでこれに答えるのは難しいです。 – sascha
@サシャ私は一般的にそれらを記述する答えがあると思っていました。基本的に異なるアプローチがたくさんあることはわかりませんでした。私は「ニュートン法は任意のxで始まり、その点xで線形近似のためのゼロを見つけて、再帰的にプロセスを繰り返す」というような答えを得ることができます。もちろん、SVMについて議論するときには説明が長く複雑になるでしょう。 – ASignor