Los punteros a un buen tutorial SVM [cerradas]

Question

He estado tratando de comprender los elementos básicos de máquinas de vectores soporte, y descargado y leído muchos artículos en línea. Pero todavía no soy capaz de entenderlo.

Me gustaría saber, si hay alguna

• buen tutorial
• código de ejemplo que se puede utilizar para la comprensión

o algo así, que se pueda imaginar, y que me permita aprender SVM Fundamentos fácilmente.

PS: Yo de alguna manera para aprender PCA (Análisis de Componentes Principales). Por cierto, ustedes habría adivinado que estoy trabajando en la máquina de aprendizaje.

Answer 1

La recomendación estándar para un tutorial en SVM es un tutorial sobre Máquinas de Vectores Soporte de Reconocimiento de Patrones por Christopher Burges. Otro buen lugar para aprender acerca de las SVM es la máquina de aprendizaje curso en Stanford (SVM están cubiertos en las clases 6-8). Ambos son bastante teórica y pesadas en las matemáticas.

Como para el código fuente; SVMLight , y href="http://chasen.org/~taku/software/TinySVM/" rel="noreferrer"> TinySVM están abiertos -fuente, pero el código no es muy fácil de seguir. No he mirado en cada uno de ellos muy de cerca, pero la fuente de TinySVM es probablemente el es más fácil de entender. También hay una aplicación pseudo-código del algoritmo SMO en este documento .

Answer 2

Este es el tutorial de un muy buen principiante en SVM:

SVM explicó

Siempre pensé tutorial recomendado por StompChicken era un poco confuso en la forma en que entrar de lleno en hablar de los límites y las estadísticas de VC y tratando de encontrar la máquina óptima y tal. Es bueno si ya entender los conceptos básicos, sin embargo.

Answer 3

Las porciones de conferencias de vídeo en SVM: Read http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

He encontrado el uno por Colin Campbell a ser muy útil.

Answer 4

Una guía práctica para la clasificación SVM para libsvm
PyML Tutorial para PyML Creo 1 es práctico para su uso, 3 está claro para la comprensión.

Answer 5

Si se asume que conoce los conceptos básicos (por ejemplo, clasificadores de margen máximo, la construcción de un núcleo), resuelven Problema set 2 (volante # 5) de ese curso de aprendizaje de máquina de Stanford. Hay claves de respuesta y que lleva a cabo su mano a través de todo el proceso. Utilice Las notas de clase 3 & video # 7-8 como referencias.

Si usted no sabe lo básico, ver vídeos anteriores.

Answer 6

Me gustaría tomar una copia de R , instale el e1071 paquete que bien envuelve libsvm , y tratar de conseguir buenos resultados en sus conjuntos de datos favoritas.

Si sólo descubierto PCA, podría ser útil examinar los datos con muchos más predictores que los casos (por ejemplo, los perfiles de expresión génica de microarrays, series de tiempo, los espectros de la química analítica, etc.) y comparar la regresión lineal en el PCA 'predictores d con SVM en los predictores primas.

Hay un montón de grandes referencias en las otras respuestas, pero creo que hay valor en jugar con la caja de negro antes de leer lo que hay dentro.