एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
इष्टतम हाइपरप्लेन
एक उच्च-आयामी स्थान में निर्णय सीमा जो सबसे करीबी वर्गों के बीच दूरी को अधिकतम करती है, जिससे डेटा का सर्वोत्तम संभव विभाजन सुनिश्चित होता है।
समर्थन वेक्टर
हाशिये पर स्थित प्रशिक्षण बिंदु जो इष्टतम हाइपरप्लेन को परिभाषित करते हैं, ये महत्वपूर्ण बिंदु निर्णय सीमा की स्थिति और अभिविन्यास निर्धारित करते हैं।
अधिकतम मार्जिन
निर्णय हाइपरप्लेन और प्रत्येक वर्ग के सबसे निकटवर्ती प्रशिक्षण बिंदुओं के बीच की दूरी, जिसे SVM एल्गोरिथ्म सामान्यीकरण में सुधार के लिए अधिकतम करने का प्रयास करता है।
कर्नल फ़ंक्शन
एक गणितीय फलन जो स्पष्ट रूपांतरण के बिना डेटा को अंतर्निहित रूप से एक उच्च आयामी स्थान में परिवर्तित करता है, जिससे गैर-रैखिक डेटा का रैखिक विभाजन संभव होता है।
रैखिक SVM
वर्गों को अलग करने के लिए एक रैखिक हाइपरप्लेन का उपयोग करने वाले SVM का एक प्रकार, विशेष रूप से प्रभावी जब डेटा उनके मूल स्थान में रैखिक रूप से विभाज्य होता है।
गैर-रैखिक SVM
एक विस्तारित SVM जो डेटा को एक उच्च आयामी स्थान में प्रक्षेपित करने के लिए कर्नल फलनों का उपयोग करता है जहां वे रैखिक रूप से विभाज्य हो जाते हैं।
विचलन चर
शिथिलता चर जो कुछ बिंदुओं को मार्जिन बाधाओं का उल्लंघन करने की अनुमति देते हैं, जिससे मॉडल शोरयुक्त या अविभाज्य डेटा के प्रति अधिक मजबूत हो जाता है।
हाइपरपैरामीटर C
एक नियमितीकरण पैरामीटर जो मार्जिन के अधिकतमीकरण और वर्गीकरण त्रुटियों के न्यूनतमीकरण के बीच समझौते को नियंत्रित करता है, जो मार्जिन उल्लंघनों के लिए दंड निर्धारित करता है।
वन-क्लास SVM
असामान्यता का पता लगाने के लिए उपयोग किए जाने वाले SVM का एक वेरिएंट जहां एल्गोरिथ्म सामान्य डेटा के चारों ओर एक सीमा सीखता है ताकि असामान्य अवलोकनों की पहचान की जा सके।
SVR (सपोर्ट वेक्टर रिग्रेशन)
रिग्रेशन समस्याओं के लिए SVM का एक अनुकूलन जो लक्ष्यों से अधिकतम एप्सिलॉन मान से विचलित होने वाले एक फ़ंक्शन को ढूंढने का प्रयास करता है, जबकि संभव हो तो उतना ही समतल रहता है।
द्वैत सूत्रीकरण
SVM ऑप्टिमाइजेशन समस्या का एक वैकल्पिक गणितीय प्रतिनिधित्व जो केवल अवलोकनों के बीच स्केलर गुणनफल पर निर्भर करता है, जिससे कर्नेल फ़ंक्शन का उपयोग आसान हो जाता है।
विशेषता स्थान
एक उच्च-आयामी रूपांतरित स्थान जहां डेटा को रैखिक रूप से अलग किया जा सकता है, मूल डेटा पर कर्नेल फ़ंक्शन लागू करके प्राप्त किया जाता है।
मल्टी-क्लास SVM
मल्टी-क्लास वर्गीकरण समस्याओं को संभालने के लिए बाइनरी SVM का विस्तार, आमतौर पर वन-वर्सस-वन या वन-वर्सस-ऑल रणनीतियों द्वारा लागू किया जाता है।
RBF कर्नेल
गाऊसीय रेडियल फ़ंक्शन-आधारित कर्नेल फ़ंक्शन जो डेटा को एक अनंत-आयामी स्थान में मैप करता है, गैर-रैखिक SVM के लिए सबसे लोकप्रिय कर्नेल फ़ंक्शन में से एक।
SMO (सीक्वेंशियल मिनिमल ऑप्टिमाइजेशन)
SVM के द्वैत समस्या को हल करने के लिए एक प्रभावी ऑप्टिमाइजेशन एल्गोरिथ्म जो लैग्रेंज मल्टीप्लायरों को युग्मों में पुनरावृत्ति रूप से अनुकूलित करता है, जिससे कम्प्यूटेशनल जटिलता कम हो जाती है।
पॉलीनोमियल कर्नेल
एक कर्नेल फ़ंक्शन जो एक पॉलीनोमियल विशेषता स्थान में वेक्टर्स का स्केलर गुणनफल गणना करता है, जिससे उच्च-क्रम के गैर-रैखिक संबंधों को पकड़ने की अनुमति मिलती है।
नरम मार्जिन
SVM का विस्तार जो मार्जिन बाधाओं के कुछ उल्लंघनों की अनुमति देता है, जो डेटा में शोर या ओवरलैप के मुकाबले मॉडल को अधिक लचीला बनाता है।
गामा (γ)
RBF और बहुपद कर्नेल फ़ंक्शनों का हाइपरपैरामीटर जो एक एकल प्रशिक्षण उदाहरण के प्रभाव को नियंत्रित करता है, जो निर्णय सीमा की लचीलापन निर्धारित करता है।