Düzenlileştirilmiş Destek Vektör Makinesi

C, düzenlileştirme gücünün tersidir. Büyük bir C, SVM'ye yanlış sınıflandırmaları ağır bir şekilde cezalandırmasını söyler, bu da eğitim verilerine daha yakından uyan dar bir marj üretir. Küçük bir C, daha fazla marj ihlaline izin verir ve daha geniş, daha genel bir sınır üretir. Çapraz doğrulama yoluyla C'yi ayarlamak esastır.

Seyrek bir çözüm istediğinizde — yani, modelin birçok özellik ağırlığını otomatik olarak sıfıra ayarlamasını istediğinizde L1-SVM'yi seçin. Bu, metin madenciliği veya genomik gibi çoğu özelliğin ilgisiz olduğu yüksek boyutlu ortamlarda değerlidir. L2-SVM, çoğu özellik bilgilendirici olduğunda tipik olarak daha iyi doğruluk elde eder.

Doğal olarak değil. Karar fonksiyonu, kalibre edilmiş bir olasılık değil, işaretli bir marj puanı verir. Platt ölçeklendirme — marj puanlarına ayrılmış bir küme üzerinde bir sigmoid uydurmak — sınıf olasılıklarını elde etmek için standart işlem sonrası adımdır.

Evet. C aracılığıyla düzenlileştirme model karmaşıklığını kontrol eder. Düzgün ayarlanmış bir C, modelin eğitim verilerindeki gürültüyü uydurmasını önler. Yüksek boyutlu verilerde, L1 düzenlileştirmesi ek olarak ilgisiz özellikleri sıfırlayarak etkili model karmaşıklığını azaltır.

Doğrusal bir çekirdekle başlayın — hızlı, yorumlanabilir ve yüksek boyutlu veya metin ortamlarında genellikle rekabetçidir. Doğrusal çekirdek doğrulama testinde yetersiz kalırsa, RBF çekirdeğini deneyin ve hem C hem de gamayı ayarlayın. Polinom çekirdekleri daha az yaygındır ve ayarlaması daha zordur.