#21. Метод опорных векторов (SVM) с нелинейными ядрами | Машинное обучение

Принцип классификации метода опорных векторов. SVM с нелинейными ядрами: полиномиальными (poly), радиальными (rbf) и гиперболическими (тангенс) ядрами. SVM как двухслойная нейронная сеть. Способы синтеза ядер. Преимущества и недостатки SVM.
Инфо-сайт: proproprogs.ru/ml
Телеграм-канал: t.me/machine_learning_selfedu

[@user-vd5rb4lp8l]

Очень качественно.Так приятно и легко изучать машинное обучение с вашими видео)

[@haykmuradyan9956]

очень хорошо и понятно объясняешь, очень помогает понять некоторые алгоритмы, думаю будет интересно продолжение, жду других алгоритмов))(tree, random forest, bagging, busting, PCA, алгоритмы кластеризации и другие), спасибо

[@dubinin_s]

Спасибо за видео.

[@unaibekovbakhyt6517]

Спасибо.

[@user-qj6tk5fw9p]

огромное спасибо за урок!! хотел спросить, а вы не планируете сделать небольшой курс по библиотеке Scikit-Learn?

[@fanisbaygildin6962]

У LinearSVC в Sklearn есть гиперпараметр Penalty, у которого есть значение L1, я так понимаю, что это и есть встроенный отбор признаков.

[@selfedu_rus]

в SVM L1-регуляризатор не встроен, если только они как то искусственно его добавили, но есть L2-регуляризатор, может это про него?

[@fanisbaygildin6962]

​@@selfedu_rus нет-нет, все верно, у SVC нет L1. Но у sklearn для SVM есть 3 отдельных алгоритма классификации: SVC, LinearSVC и NuSVC. У первых 2х совсем мало отличий, если сравнивать SVC(linear kernel) и LinearSVC. У SVC и NuSVC действительно нет встроенного L1, но я заметил, что у LinearSVC есть гиперпараметр penalty{‘l1’, ‘l2’}, default=’l2’. Я только что попробовал его в деле, и он действительно зануляет признаки при регулировании параметра C. Но это получается L1 встроен только для линейной классификации, а для остальных ядер - нет. Что скажете? Я только учусь, и поэтому не всегда уверен в своих умозаключениях 😄

[@math9693]

А где вы преподаете?

[@impellergimpeller5133]

👍👍👍👍👍

[@unaibekovbakhyt6517]

По javascript будут ли уроки, в частности по фреймворкам? У вас отличная подача информации

[@selfedu_rus]

спасибо, по JS есть плейлисты, правда, без фреймовроков

[@YbisZX]

Не понятно на 8:42 - как ядро может быть константой K(x,x')=1? Тогда же a(x) не будет зависеть от x...

[@selfedu_rus]

константа и оно определено в диапазоне [0;1] получаем кусочно-линейную аппроксимацию

[@kirillbalabanov39]

4:30 1 в 1 Воронцов. Даже "не конструктивно" оттуда же:)

[@selfedu_rus]

это определение, не придумывать же его самому )