Глоссарий ИИ
Полный словарь искусственного интеллекта
Оптимальная гиперплоскость
Граница принятия решений в пространстве высокой размерности, которая максимизирует расстояние между ближайшими классами, обеспечивая таким образом наилучшее возможное разделение данных.
Опорный вектор
Обучающие точки, расположенные на границах, которые определяют оптимальную гиперплоскость. Эти критические точки определяют положение и ориентацию границы принятия решений.
Максимальный зазор
Расстояние между гиперплоскостью принятия решений и ближайшими обучающими точками каждого класса, которое алгоритм SVM стремится максимизировать для улучшения обобщения.
Ядерная функция
Математическая функция, которая неявно преобразует данные в пространство большей размерности без выполнения явного преобразования, позволяя линейное разделение нелинейных данных.
Линейный SVM
Вариант SVM, который использует линейную гиперплоскость для разделения классов, особенно эффективен, когда данные линейно разделимы в их исходном пространстве.
Нелинейный SVM
Расширение SVM, которое использует ядерные функции для проецирования данных в пространство более высокой размерности, где они становятся линейно разделимыми.
Переменная зазора
Переменные ослабления, которые позволяют некоторым точкам нарушать ограничения зазора, делая модель более устойчивой к зашумленным или неразделимым данным.
Гиперпараметр C
Параметр регуляризации, который контролирует компромисс между максимизацией зазора и минимизацией ошибок классификации, определяя штраф за нарушения зазора.
Одноклассовый SVM
Вариант SVM, используемый для обнаружения аномалий, где алгоритм обучает границу вокруг нормальных данных для идентификации нетипичных наблюдений.
SVR (регрессия на опорных векторах)
Адаптация SVM для задач регрессии, которая ищет функцию, отклоняющуюся не более чем на значение эпсилон от целевых значений, при этом будучи максимально плоской.
Двойственная формулировка
Альтернативное математическое представление задачи оптимизации SVM, которое зависит только от скалярных произведений между наблюдениями, облегчая использование ядерных функций.
Признаковое пространство
Преобразованное пространство высокой размерности, где данные могут быть линейно разделены, полученное применением ядерной функции к исходным данным.
Многоклассовый SVM
Расширение бинарных SVM для решения задач многоклассовой классификации, обычно реализуемое стратегиями один-против-одного или один-против-всех.
Ядро RBF
Ядерная функция на основе гауссовой радиальной базисной функции, которая отображает данные в бесконечномерное пространство, одна из самых популярных ядерных функций для нелинейных SVM.
SMO (последовательная минимальная оптимизация)
Эффективный алгоритм оптимизации для решения двойственной задачи SVM путем итеративной оптимизации множителей Лагранжа попарно, снижая вычислительную сложность.
Полиномиальное ядро
Ядерная функция, которая вычисляет скалярное произведение векторов в полиномиальном признаковом пространстве, позволяя улавливать нелинейные отношения высшего порядка.
Мягкий отступ
Расширение SVM, которое допускает некоторые нарушения ограничений отступа с помощью переменных отклонения, делая модель более гибкой при работе с зашумленными или перекрывающимися данными.
Гамма (γ)
Гиперпараметр функций ядра RBF и полиномиальных функций, который контролирует влияние одного обучающего примера, определяя гибкость границы принятия решений.