Я пытаюсь понять основы поддержки векторных машин, загрузил и прочитал много онлайн-статей. Но до сих пор я не могу это понять.
Я хотел бы знать, если есть некоторые
или что-то, что вы можете придумать, и это позволит мне легко изучить основы SVM.
PS: Мне как-то удалось узнать PCA (анализ основных компонентов). Кстати, вы, ребята, предположили бы, что я работаю над Machine Learning.
Стандартная рекомендация для учебника в SVM Учебное пособие по поддержке векторных машин для распознавания образов Кристофера Бургеса. Еще одно хорошее место для изучения SVM - это Machine Learning Course в Стэнфорде (SVM описаны в лекциях 6-8). Оба они довольно теоретичны и тяжелы в математике.
Что касается исходного кода; SVMLight, libsvm и TinySVM - все с открытым исходным кодом, но код не очень прост. Я не смотрел на каждого из них очень близко, но источник для TinySVM, вероятно, проще всего понять. Существует также реализация псевдокода алгоритма SMO в в этой статье.
Это очень хороший начальный учебник по SVM:
Я всегда думал, что рекомендованный StompChicken учебник был немного запутанным в том смысле, что они сразу перескакивают о границах и статистике VC и пытаются найти оптимальную машину и тому подобное. Хорошо, если вы уже понимаете основы.
Много видео-лекций по SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/
Я нашел Колина Кэмпбелла очень полезным.
Практическое руководство по классификации SVM для libsvm
PyML Tutorial для PyML
Я думаю, что 1 практичен для использования, 3 понятен для понимание.
Предполагая, что вы знаете основы (например, классификаторы максимального поля, создаете ядро), решите набор проблем 2 (раздаточный материал № 5) этого stanford курс машинного обучения. Там отвечают ключи, и он держит вашу руку в течение всего процесса. Используйте Лекционные заметки 3 и видео # 7-8 в качестве ссылок.
Если вы не знаете основ, смотрите более ранние видеоролики.
Я бы взял копию R, установил e1071, который красиво обертывает libsvm и пытается получить хорошие результаты на ваших любимых наборах данных.
Если вы просто вычислили СПС, может быть информативным рассматривать данные со многими другими предикторами, чем случаи (например, профили экспрессии гена микрочипов, временные ряды, спектры аналитической химии и т.д.) и сравнивать линейную регрессию по СПС предикторов с SVM на исходных предикторах.
В других ответах есть много замечательных ссылок, но я думаю, что есть смысл играть с черным ящиком, прежде чем читать что внутри.