Support Vector Machines
Support vector machines என்பது மேற்பார்வையிட பயன்படும் machine learning முறைகளின்தொகுப்பு ஆகும். இம்முறையை பயன்படுத்தி வகைப்படுத்துதல், பின்னடைவு மற்றும் outliers detection போன்றவற்றிட்கு பயன்படுத்தலாம். இவை machine learningன் பொதுவான பணிகள் ஆகும்.
இங்கே நினைவில் கொள்ள வேண்டிய முக்கிய கருத்து என்னவென்றால், இவை வெறும் கணித சமன்பாடுகளாகும், இது துல்லியமான பதிலை கூடிய விரைவில் வழங்குகிறது. Support vector machines மற்ற வகைப்பாடு வழிமுறைகளிலிருந்து வேறுபடுகின்றன, ஏனெனில் அவை அனைத்து வகுப்புகளின் அருகிலுள்ள தரவு புள்ளிகளிலிருந்து தூரத்தை அதிகரிக்கும் முடிவு மற்றும் எல்லையை தேர்வு செய்யும் விதம்.
Support vector machines உருவாக்கிய முடிவு எல்லை அதிகபட்ச விளிம்பு வகைப்படுத்தி அல்லது அதிகபட்ச விளிம்பு மிகைத்தளம் என்று அழைக்கப்படுகிறது.
Support vector machines எவ்வாறு இயங்குகிறது:
ஒரு எளிய நேரியல் Support vector machines வகைப்படுத்தி இரண்டு வகுப்புகளுக்கு இடையில் ஒரு நேர் கோட்டை உருவாக்குவதன் மூலம் செயல்படுகிறது. அதாவது வரியின் ஒரு பக்கத்தில் உள்ள அனைத்து தரவு புள்ளிகளும் ஒரு வகையை குறிக்கும் மற்றும் வரியின் மறுபக்கத்தில் உள்ள தரவு புள்ளிகள் வேறு வகைக்குள் வைக்கப்படும். இதன் பொருள் எண்ணற்ற வரிகளைத் தேர்வுசெய்யலாம்.k-அருகிலுள்ள பக்கத்து வழிமுறைகளை போன்ற பிற நேரான Support vector machines வழிமுறையை விட சிறந்ததாக்குவது என்னவென்றால், உங்கள் தரவு புள்ளிகளை வகைப்படுத்த சிறந்த வரியை இது தேர்வு செய்கிறது. இது தரவைப் பிரிக்கும் வரியைத் தேர்வுசெய்கிறது மற்றும் மறைவை முடிந்தவரை தரவு புள்ளிகளிலிருந்து வெகு தொலைவில் உள்ளது.
Support vector machines வகைகள்:
இரண்டு வெவ்வேறு வகையான Support vector machines கள் உள்ளன, ஒவ்வொன்றும் வெவ்வேறு விஷயங்களுக்குப் பயன்படுத்தப்படுகின்றன.
1)Simple Support vector machines: பொதுவாக நேரான பின்னடைவு மற்றும் வகைப்பாடு சிக்கல்களுக்கு பயன்படுத்தப்படுகிறது.
2)Kernel Support vector machines : நேரானகோடுகள் அல்லாத தரவுகளுக்கு அதிக நெகிழ்வுத்தன்மையைக் கொண்டுள்ளது. ஏனெனில் இரு பரிமாண இடத்திற்கு பதிலாக மிகைத்தளம் பொருத்த கூடுதல் அம்சங்களை சேர்க்கலாம்.
முடிவு:
கையெழுத்து அங்கீகாரம், ஊடுருவல் கண்டறிதல், முகம் கண்டறிதல், மின்னஞ்சல் வகைப்பாடு, மரபணு வகைப்பாடு மற்றும் வலைப்பக்கங்கள் போன்ற பயன்பாடுகளில் Support vector machines பயன்படுத்தப்படுகின்றன. இது நேரான மற்றும் நேரானகோடுகள் அல்லாத தரவுகளின் வகைப்பாடு மற்றும் பின்னடைவு இரண்டையும் கையாள முடியும்.
Comments
Crapersoft, well knowledged in Bigdata, datamining and iot working environment in coimbatore.
Replygot good website... with advanced technologies...
ReplyI have published my research paper to Scopus at short duration thanks to help of crapersoft.
Reply