热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

支持向量机算法(svm支持向量机有啥用)

frompc˃使用核技巧的支持向量机是我在1991年提出来的,这是我最重要的一项工作。同年,一起工作的两个物理学家,Mezard和Krauth,提出了一种名为minover的边缘算


Python部落(python.freelycode.com)组织翻译,禁止转载,欢迎转发。


“这将从1989年开始。 我曾研究神经网络和核方法的性能比较。 在丈夫使用Vladimir的算法之后,SVM诞生了。 ”


——Isabelle Guyon




使用核技术的支持向量机于1991年提出。 这是我最重要的工作。 当时我在Larry Jackel的队伍里。 Jackel的团队隶属于贝尔研究所(Bell Labs )。 结果,我有了和非常优秀的人接触的机会。 他们大多是现在有名的大佬,比如Vladimir Vapnik、Yann LeCun、Leon Bottou、Yoshuababou等。实验室充满了竞争的气氛,让人振奋做伟大的事。


故事开始于1989年的巴黎。 那个时候,我跟着我的博导、Dreyfus教授和Personnaz教授研究神经网络和核方法的性能比较(Parzen窗、隐函数,还有Poggio使用的最小平方核回归)。 同年,两个一起工作的物理学家,Mezard和Krauth提出了一种叫minover的边缘算法,它引起了我的注意,但在进入贝尔实验室之前,我无法将它们联系在一起。


当时,所有人都以多层传感器(深度学习的雏形)为中心进行研究。 我在边缘算法方面的第一份工作是受minover的启发,简化一些有效的聚集方法以优化边缘检测。 我丈夫Bernhard为多层传感器设计了专用硬件! 我和Vladimir就此展开了热烈的讨论。 他和我的办公室正忙于销售他在60年代发明的另一种边缘算法。




支持向量机出现在搬到伯克利之前三个月,Bernhard决定使用Vladimir的算法。 在线性算法中取得初步成功后,Vladimir提出了引入特征乘积,但我提出了使用隐函数算法的核技术(kernel trick )更好。 Vladimir当初反对。 因为隐函数算法的发明者(Aizerman、Braverman、Rozonoer )所属的团队,是他60年代滞留在俄罗斯的研究所的殊死战斗。 最后Bernhard还是尝试了,SVM也诞生了!




编辑补充:


我向Isabelle发送了数据挖掘历史的链接。 链接中出现了她和Vapnik发明的支持向量机。 问我关于SVM有什么想说的,她和我分享了她在脸书上的po的故事,也就是你们现在看到的。 为了让更多人知道SVM诞生的故事,经她自己许可,我们转载于此。


作者介绍:


在成为多年的机器学习顾问之后,Isabelle Guyon现在是巴黎萨克拉门托大学的全职教授,担任ChaLearn的主席。 ChaLearn是加州专门从事机器学习比赛的非营利组织。 她出生于巴黎,现在往返于巴黎和加利福尼亚之间工作。


原文: http://www.KD nuggets.com/2016/07/guyon-data-mining-history-SVM-support-vector-machines.html翻译人员:日本国民银行


推荐阅读
  • 本文介绍如何使用OpenCV和线性支持向量机(SVM)模型来开发一个简单的人脸识别系统,特别关注在只有一个用户数据集时的处理方法。 ... [详细]
  • 兆芯X86 CPU架构的演进与现状(国产CPU系列)
    本文详细介绍了兆芯X86 CPU架构的发展历程,从公司成立背景到关键技术授权,再到具体芯片架构的演进,全面解析了兆芯在国产CPU领域的贡献与挑战。 ... [详细]
  • 机器学习算法:SVM(支持向量机)
    SVM算法(SupportVectorMachine,支持向量机)的核心思想有2点:1、如果数据线性可分,那么基于最大间隔的方式来确定超平面,以确保全局最优, ... [详细]
  • 本文节选自《NLTK基础教程——用NLTK和Python库构建机器学习应用》一书的第1章第1.2节,作者Nitin Hardeniya。本文将带领读者快速了解Python的基础知识,为后续的机器学习应用打下坚实的基础。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • 通过使用CIFAR-10数据集,本文详细介绍了如何快速掌握Mixup数据增强技术,并展示了该方法在图像分类任务中的显著效果。实验结果表明,Mixup能够有效提高模型的泛化能力和分类精度,为图像识别领域的研究提供了有价值的参考。 ... [详细]
  • 理工科男女不容错过的神奇资源网站
    十一长假即将结束,你的假期学习计划进展如何?无论你是在家中、思念家乡,还是身处异国他乡,理工科学生都不容错过一些神奇的资源网站。这些网站提供了丰富的学术资料、实验数据和技术文档,能够帮助你在假期中高效学习和提升专业技能。 ... [详细]
  • 如何选择机器学习方法http:scikit-learn.orgstabletutorialmachine_learning_mapindex.html通用学习模式只需要先定义 ... [详细]
  • 分隔超平面:将数据集分割开来的直线叫做分隔超平面。超平面:如果数据集是N维的,那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面,也就是分类的决策边界。间隔:一个点 ... [详细]
  • Python 数据可视化实战指南
    本文详细介绍如何使用 Python 进行数据可视化,涵盖从环境搭建到具体实例的全过程。 ... [详细]
  • 从2019年AI顶级会议最佳论文,探索深度学习的理论根基与前沿进展 ... [详细]
  • 2019年斯坦福大学CS224n课程笔记:深度学习在自然语言处理中的应用——Word2Vec与GloVe模型解析
    本文详细解析了2019年斯坦福大学CS224n课程中关于深度学习在自然语言处理(NLP)领域的应用,重点探讨了Word2Vec和GloVe两种词嵌入模型的原理与实现方法。通过具体案例分析,深入阐述了这两种模型在提升NLP任务性能方面的优势与应用场景。 ... [详细]
  • 在本文中,我们将深入探讨斯坦福大学机器学习课程第二部分的核心内容与学习体会。文章不仅涵盖了正则化(Regularization)等关键概念,还结合实际案例分析了这些理论在实践中的应用,帮助读者更好地理解和掌握机器学习的高级技巧。此外,我们还将分享一些学习过程中遇到的挑战及解决方案,为后续学习者提供参考。 ... [详细]
  • 深度学习: 目标函数
    Introduction目标函数是深度学习之心,是模型训练的发动机。目标函数(objectfunction)损失函数(lossfunction)代价函数(costfunction) ... [详细]
  • 概述SVM(支持向量机)是一个二分类的模型,它的主要思想就是间隔最大化,那么问题来了,什么是间隔最大化&#x ... [详细]
author-avatar
johnnyLei
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有