私はサポートベクターマシンの基本を理解しようと努めており、多くのオンライン記事をダウンロードして読みました。しかし、それを把握することはまだできません。
知りたいのですが
何か考えていただければ、SVMの基礎を簡単に学ぶことができます。
PS:どういうわけかPCA(主成分分析)を学ぶことができました。ところで、皆さんは私が機械学習に取り組んでいると思っていたでしょう。
SVMのチュートリアルに対する標準的な推奨事項は、クリストファーバージェスによる パターン認識のためのサポートベクターマシンに関するチュートリアル です。 SVMについて学ぶもう1つの良い場所は、スタンフォードの 機械学習コース です(SVMは講義6〜8で説明されています)。これらは両方とも非常に理論的であり、数学に重いものです。
ソースコードに関しては; SVMLight 、 libsvm および TinySVM はすべてオープンソースですが、コードの追跡は簡単ではありません。私はそれらのそれぞれを非常に詳しく調べていませんが、TinySVMのソースはおそらく理解するのが最も簡単です。 SMOアルゴリズムの疑似コード実装も この論文 にあります。
これは、SVMに関する非常に優れた初心者向けチュートリアルです。
StompChickenの推奨チュートリアルは、境界とVC統計について話し、最適なマシンなどを見つけようとするところにすぐに飛び込むので、少し混乱しているといつも思っていました。ただし、基本。
SVMに関する多数のビデオ講義:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/
Colin Campbellのものが非常に役立つことがわかりました。
SVM分類の実用的なガイド for libsvm
PyMLチュートリアル for PyML1 が実用的だと思いますは理解しやすい。
基本(例:最大マージン分類子、カーネルの構築)を知っていると仮定して、スタンフォード機械学習コースの 問題セット2(配布資料#5) を解きます。解答キーがあり、彼はプロセス全体を通してあなたの手を握っています。リファレンスとして Lecture notes & video#7-8 を使用します。
基本がわからない場合は、以前のビデオをご覧ください。
[〜#〜] r [〜#〜] のコピーを取得し、 libsvm をうまくラップする e1071 パッケージをインストールして、お気に入りのデータセットで良い結果を得るために。
PCAを計算したばかりの場合は、ケースよりもはるかに多くの予測因子(たとえば、マイクロアレイ遺伝子発現プロファイル、時系列、分析化学からのスペクトルなど)を使用してデータを調べ、PCAの予測因子の線形回帰を比較することは有益かもしれません。生の予測子でSVMを使用します。
他の回答には多くの優れたリファレンスがありますが、内容を読む前にブラックボックスをいじってみる価値はあると思います。