|
Vector Machine) 개념
1.1 SVM 정의
1.2 역사
2. 발상
2.1 분류능력
2.2 분류기의 일반화 능력
2.3 SVM의 우수성
3. 선형SVM
3.1 이진분류를 위한 결정 초평면의 특성
3.2 서포트 벡터
4. 선형분리 가능한 SVM문제해결
4.1 개요
4.2 조건부 최대화 문
|
|
|
Vector Machine)
SVM은 데이터를 두 개의 클래스로 분류하는 문제를 해결하기 위해 사용되는 기법이다. 이미 분류되어 있는 샘플 데이터로부터 계산된 함수를 통해서 다른 데이터를 두 개의 클래스로 분리하는 방법이다.(데이터 학습 과정을 필요
|
|
|
Vector Machine(SVM)이 부도예측, 신용등급분석, 시계열예측, 보험사기적발 등의 분야에서 매우 우수한 성과를 내는 것으로 보고되었다. SVM은 명확한 이론적 근거에 기반을 두기 때문에 결과해석이 용이하고 적은 양의 학습자료만으로도 신속하게
|
|
|
적용된 회귀식의 총합이며, Moving Average나 K-NN(Kth Nearest Neighbor), RBFN(Radial Basis Function Network), Neural Network와 SVM(Support Vector Machine)와 매우 유사한 특성이 있다. 1. 커널회귀 정의 3
2. 분석방법 3
3. Kernel Width 7
4. Kernel 9
5. 참고문헌 12
|
|
|
벡터에 출현한 용어 k의 가중치
kNN 분류기(2)
(2) 입력문서와 이웃문서와의 유사도는 이웃문서의 범주 가중치로 사용되며, 만약 이웃문서들이 범주를 공유하고 있을 때에는 범주 가중치는 높아지게 된다.
(3) 추출된 k개의 문서들을 통해 입력문
|
|
메뉴펼치기
