algorithm - tutoriales - Consejos para un buen Tutorial de SVM
programa para hacer tutoriales con voz (6)
He intentado comprender los conceptos básicos de Support Vector Machines y he descargado y leído muchos artículos en línea. Pero todavía no soy capaz de comprenderlo.
Me gustaría saber si hay algunos
- buen tutorial
- código de muestra que se puede usar para comprender
o algo así, que se te ocurra, y que me permita aprender Conceptos básicos de SVM con facilidad.
PD: de alguna manera logré aprender PCA (Análisis de Componentes Principales). Por cierto, ustedes habrían adivinado que estoy trabajando en Machine Learning.
Este es un muy buen tutorial para principiantes sobre SVM:
Siempre pensé que el tutorial recomendado de StompChicken era un poco confuso en cuanto a la forma en que abordan directamente los límites y las estadísticas de VC, y tratan de encontrar la máquina óptima y demás. Sin embargo, es bueno que ya comprenda los conceptos básicos.
Montones de video conferencias sobre SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/
Encontré el de Colin Campbell muy útil.
Suponiendo que conozca los conceptos básicos (p. Ej., Clasificadores de margen máximo, construcción de un kernel), resuelva el Conjunto de problemas 2 (folleto n. ° 5) de ese curso de aprendizaje automático de Stanford. Hay claves de respuesta y él mantiene su mano durante todo el proceso. Use las notas de clase 3 y video # 7-8 como referencias.
Si no conoce los conceptos básicos, mire videos anteriores.
e1071 una copia de R , instalaría el paquete e1071 que e1071 muy bien con libsvm y trataría de obtener buenos resultados en sus conjuntos de datos favoritos.
Si acaba de descifrar PCA, podría ser informativo observar datos con muchos más predictores que casos (p. Ej., Perfiles de expresión génica de microarreglos, series de tiempo, espectros de química analítica, etc.) y comparar la regresión lineal con los predictores de PCA. con SVM en los predictores crudos.
Hay muchas referencias excelentes en las otras respuestas, pero creo que es valioso jugar con la caja negra antes de leer lo que hay adentro.
La recomendación estándar para un tutorial en SVM es Un tutorial sobre máquinas de vectores de soporte para el reconocimiento de patrones de Christopher Burges. Otro buen lugar para aprender acerca de SVM es el Curso de Aprendizaje Automático en Stanford (las SVM se tratan en las clases 6-8). Ambos son bastante teóricos y pesados en las matemáticas.
En cuanto al código fuente; SVMLight , libsvm y TinySVM son todos de código abierto, pero el código no es muy fácil de seguir. No los he mirado muy de cerca, pero la fuente de TinySVM es probablemente la más fácil de entender. También hay una implementación de pseudo-código del algoritmo SMO en este documento .