Trình bày về Support Vector Machines cho vấn đề nhận dạng hai nhóm điểm trên mặt phẳng

Luong Thai Hien * & Dinh Thi Tam

* Correspondence: Luong Thai Hien (email: HienLT@vhu.edu.vn)

Article Sidebar

PDF
Ngày nhận: 17-03-2017
Ngày chỉnh sửa: 06-06-2017
Ngày chấp nhận: 06-06-2017
Ngày xuất bản: 10-07-2017
DOI: 10.58810/vhujs.5.2.2017.5211
Lượt xem
0
Lượt tải về
0
Trích dẫn
Luong, H. T., & Dinh, T. T. (2017). Trình bày về Support Vector Machines cho vấn đề nhận dạng hai nhóm điểm trên mặt phẳng. Tạp Chí Khoa học Đại học Văn Hiến 5(2), 106-114.
Số tạp chí
Tập 5 - Số 2 (2017)
Chuyên mục
Engineering

Main Article Content

Tóm tắt

SVM (Support Vector Machine) là một khái niệm trong thống kê và khoa học máy tính cho một tập hợp các phương pháp học có giám sát liên quan đến nhau để phân loại và phân tích hồi quy. SVM là một thuật toán phân loại nhị phân, Support vector machine (SVM) xây dựng (learn) một siêu phẳng (hyperplane) để phân lớp (classify) tập dữ liệu thành 2 lớp riêng biệt. Một siêu phẳng là một hàm tương tự như phương trình đường thẳng, y = ax + b. Trong thực tế, nếu ta cần phân lớp tập dữ liệu chỉ gồm 2 feature, siêu phẳng lúc này chính là một đường thẳng. Về ý tưởng thì SVM sử dụng thủ thuật để ánh xạ tập dữ liệu ban đầu vào không gian nhiều chiều hơn. Khi đã ánh xạ sang không gian nhiều chiều, SVM sẽ xem xét và chọn ra siêu phẳng phù hợp nhất để phân lớp tập dữ liệu đó.

Article Details

Tài liệu tham khảo

[1] Joachims T., 2009. Text categorization with support vector machines: Learning with many relevant features. Technical Report 23, Universität Dortmund, LS VIII.

[2] Joachims T., 2010. A probabilistic analysis of the rocchio algorithm with tfidf for text categorization. In International Conference on Machine Learning (ICML).

[3] Kivinen J., Warmuth M., and Auer P., 2011. The perceptron algorithm vs. winnow: Linear vs. logarithmic mistake bounds when few input variables are relevant. In Conference on Computational Learning Theory.

[4] Turk G., O’Brien J.F., 2005. Shape Transformation Using Variational Implicit Functions. Proceedings of ACM SIGGRAPH ‘05. Los Angeles. California.

[5] Chen D., Bourland H., Thiran J., 2001. Text Identification in Complex Back-ground Using SVM Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit 2.

[6] Chang Ch., Lin Ch., 2003. LIBSVM: A Library for Support Vector Machines. Department of Computer Science and Information Engineering. National Taiwan University.