توابع کرنل اصلی در SVM

بفرست برای دوستت
Telegram
WhatsApp

فهرست مطالب

در درس 45ام از آموزش رایگان یادگیری ماشین با پایتون می خواهیم در مورد توابع کرنل اصلی در SVM صحبت کنیم.

تابع کرنل یک روش استفاده شده برای دریافت داده به عنوان ورودی و تبدیل آن به فرم مورد نیاز برای پردازش داده است. عبارت “کرنل” به دلیل مجموعه‌ای از توابع ریاضی استفاده شده در ماشین بردار پشتیبان به کار می‌رود که امکان تعامل با داده را فراهم می‌کنند. به عبارت دیگر، تابع کرنل به طور کلی مجموعه داده‌های آموزشی را به گونه‌ای تغییر می‌دهد که یک سطح تصمیم غیرخطی به یک معادله خطی در یک فضای ابعاد بالاتر تبدیل شود. به صورت ساده‌تر، این تابع نتیجه ضرب داخلی بین دو نقطه در یک فضای ویژگی استاندارد را باز می‌گرداند.

 

معادله تابع کرنل استاندارد

 

توابع کرنل اصلی در SVM

برای پیاده‌سازی توابع کرنل (Kernel Functions)، ابتدا باید کتابخانه “scikit-learn” را با استفاده از ترمینال یا دستورات خط فرمان نصب کنیم.

    pip install scikit-learn

تابع کرنل گوسی

این تابع برای انجام تبدیل مورد استفاده قرار می‌گیرد زمانی که اطلاعات اولیه‌ای درباره داده وجود ندارد.

  تولید داده‌های تست برای یادگیری ماشین

 

تابع کرنل پایه شعاعی گوسی (RBF)

مانند تابع کرنل فوق، این تابع از روش پایه شعاعی برای بهبود تبدیل استفاده می‌کند.

 

from sklearn.svm import SVC
classifier = SVC(kernel ='rbf', random_state = 0)
# training set in x, y axis
classifier.fit(x_train, y_train)

 

تابع کرنل سیگموئید

این تابع معادل یک مدل دولایه پرسپترون در شبکه عصبی است و به عنوان تابع فعال‌ سازی برای نورون‌های مصنوعی استفاده می‌شود.

from sklearn.svm import SVC
classifier = SVC(kernel ='sigmoid')
classifier.fit(x_train, y_train) # training set in x, y axis

 

تابع کرنل چندجمله‌ای

این تابع شباهت بین بردارهای مجموعه آموزش در یک فضای ویژگی را نسبت به چندجمله‌ای‌های متغیرهای اصلی که در تابع کرنل استفاده شده‌اند نشان می‌دهد.

from sklearn.svm import SVC
classifier = SVC(kernel ='poly', degree = 4)
classifier.fit(x_train, y_train) # training set in x, y axis

 

تابع کرنل خطی

زمانی استفاده می‌شود که داده به طور خطی جداپذیر باشد.

 

from sklearn.svm import SVC
classifier = SVC(kernel ='linear')
classifier.fit(x_train, y_train) # training set in x, y axis

 

Rating 5.00 from 1 votes

لیست دروس دوره

آموزش پیشنهادی و مکمل

اگر سوالی در مورد این درس دارید، در کادر زیر بنویسید.

guest
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
سبد خرید

70% تخفیف دوره ریاضیات علم داده و ML

برای دیدن نوشته هایی که دنبال آن هستید تایپ کنید.
×