Kernel svm intuition modificado
•Descargar como PPTX, PDF•
0 recomendaciones•16 vistas
Este documento explica cómo los kernels permiten que los SVM aprendan separaciones no lineales mediante la transformación de los datos a un espacio de dimensión superior implícito. Se introduce el kernel gaussiano RBF, el cual calcula la similitud entre puntos de datos basado en su distancia, permitiendo que los SVM aprendan patrones no lineales de manera eficiente sin necesidad de transformar explícitamente los datos.
Más contenido relacionado
Último
Último (20)
Destacado
Destacado (20)
Kernel svm intuition modificado
- 1. © SuperDataScience Machine Learning A-Z Idea del Kernel SVM
- 2. © SuperDataScience Machine Learning A-Z SVM separa bien estos puntos x1 x2
- 3. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2
- 4. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2
- 5. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2
- 6. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2
- 7. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2
- 8. © SuperDataScience Machine Learning A-Z ¿Y estos puntos? x1 x2 ?
- 9. © SuperDataScience Machine Learning A-Z ¿Por qué no funciona? Porque esta nube de puntos no es LINEALMENTE SEPARABLE
- 10. © SuperDataScience Machine Learning A-Z Linealmente Separable x1 x2 x1 x2 Linealmente Separable No Linealmente Separable
- 11. © SuperDataScience Machine Learning A-Z Espacios de Dimensión Superior
- 12. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 0 f = x - 5
- 13. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 0 f = (x – 7)^2
- 14. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 0 f = (x – 7)^2
- 15. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 x2 Espacio 2D
- 16. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 Función de Transformación Espacio 2D x2
- 17. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 x2 x1 x2 z Función de Transformación Espacio 2D Espacio 3D
- 18. © SuperDataScience Machine Learning A-Z Transformando a una Dimensión Superior x1 x2 x1 x2 z Función de Transformación Hiperplano Nueva Dimensión Espacio 2D Espacio 3D
- 19. © SuperDataScience Machine Learning A-Z Proyectando de vuelta al espacio 2D x1 x2 z Espacio 3D
- 20. © SuperDataScience Machine Learning A-Z Proyectando de vuelta al espacio 2D x1 x2 z Proyección Espacio 3D
- 21. © SuperDataScience Machine Learning A-Z Proyectando de vuelta al espacio 2D x1 x2 z Proyección x1 x2 Espacio 3D Espacio 2D
- 22. © SuperDataScience Machine Learning A-Z Proyectando de vuelta al espacio 2D x1 x2 z Proyección x1 x2 Espacio 3D Separador No Lineal Espacio 2D
- 23. © SuperDataScience Machine Learning A-Z Pero hay un precio a pagar… Transformar una variable a un Espacio de Dimension Superior puede ser muy costoso computacionalmente
- 24. © SuperDataScience Machine Learning A-Z El truco del Kernel
- 25. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF
- 26. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF Image source: http://www.cs.toronto.edu/~duvenaud/cookbook/index.html
- 27. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF x1 Espacio 2D x2
- 28. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF x1 Espacio 2D x2
- 29. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF x1 Espacio 2D x2
- 30. © SuperDataScience Machine Learning A-Z El Kernel Gaussiano RBF x1 x2 Verde cuando: (Fórmula Simplificada) Rojo cuando: >0 = 0
- 31. © SuperDataScience Machine Learning A-Z Tipos de funciones de Kernel
- 32. © SuperDataScience Machine Learning A-Z Tipo de Funciones de Kernel Kernel Gaussiano RBF Kernel Sigmoide Kernel Polinómico