サポート ベクター マシン分類

サポート ベクター マシン (SVM) は、線形データと非線形データの両方を分類するための高度な教師ありモデリング手法です。SVM 分類では、データを可能な限り最も遠く離れた個別のグループに分類します。

SVM は、非常に高次元の空間や非常に大規模なデータセットに適しているため、分類問題に対する最近のデフォルトのアプローチとなっています。サポート ベクター マシンの背後にある主なアイデアは、分類データセットとサポート ベクターと呼ばれるトレーニング データ ポイントのサブセットの間の距離を最大化することです。

• サポート ベクトルは、すべてのクラスから決定境界に最も近い点です。
• TIBCO Data Science - Team Studio SVM 分類オペレーターは、線形データと非線形データの両方の分類を処理します。
• サポート ベクター マシンは、一般的なカーネル メソッド変換を使用して、ノイズの多いデータや線形分離不可能なデータを、より高次元の線形分離可能な空間に投影できます。

TIBCO Data Science - Team Studio SVM 分類オペレーターを使用すると、カテゴリー データと連続数値データの両方で (バイナリ分類のみではなく) マルチクラス分類が可能になります。CART、デシジョン ツリー、ランダム フォレストの分類オペレーターとは異なり、SVM で作成されるツリー状の分岐構造はありません。むしろ、データを最もよく分離するサポート ベクターの定義詳細が提供されます。

SVM 分類モデリングは、オブジェクト検出 (コンピューター ビジョン)、音声認識 (NLP)、手書き数字認識、テキスト分類、バイオインフォマティクス (遺伝子分類など) などの複雑な人工知能アプリケーションによく使用されます。

サポート ベクター マシン モデリングの利点は次のとおりです。

• 大規模なデータセットの高次元を処理する機能。
• 複雑な非線形の意思決定パターンをモデル化する能力。
• 多くの場合、非常に正確であることで知られています。
• 単純なデシジョン ツリーや単純ベイジアン分類器などの他の方法よりもオーバー フィッティングの傾向が低くなります。
• 各クラスのサポート ベクター データ ポイントのみを使用して、学習済みモデルの簡潔な説明を提供します。

ワークフローで SVM を使用するには、「SVM 分類」でのオペレーター ヘルプを参照してください。