Ponteiros para uma boa SVM Tutorial [fechado]

Question

Eu tenho tentado compreender os conceitos básicos de Support Vector Machines, e baixado e lido muitos artigos on-line. Mas ainda não sou capaz de compreendê-lo.

Gostaria de saber, se há alguns

• bom tutorial
• código de exemplo que pode ser usado para a compreensão

ou algo assim, que você pode pensar, e que vai permitir-me a aprender SVM Basics facilmente.

PS: eu de alguma forma conseguiu aprender PCA (Análise de Componentes Principais). BTW, vocês teria imaginado que eu estou trabalhando em Machine Learning.

Answer 1

A recomendação padrão para um tutorial em SVMs é um tutorial sobre Support Vector Machines de Reconhecimento de Padrões por Christopher Burges. Outro bom lugar para aprender sobre SVMs é o Machine Learning claro na Universidade de Stanford (SVM são cobertos em palestras 6-8). Ambos estes são bastante teórico e pesado sobre a matemática.

Como para o código-fonte; SVMLight , LIBSVM e TinySVM estão todos abertos -source, mas o código não é muito fácil de seguir. Eu não olhei para cada um deles muito de perto, mas a fonte para TinySVM é provavelmente o é mais fácil de entender. Há também uma aplicação pseudo-código do SMO algoritmo em este papel .

Answer 2

Este é um tutorial muito bom para iniciantes no SVM:

SVM explicou

Eu sempre pensei tutorial recomendado de StompChicken foi um pouco confuso na maneira que eles ir direto para falar sobre limites e estatísticas VC e tentando encontrar a máquina ideal e tal. É bom se você já entendeu o básico, no entanto.

Answer 3

Muitas das aulas em vídeo sobre SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

Eu encontrei o de Colin Campbell para ser muito útil.

Answer 4

Um guia prático para a classificação SVM para LIBSVM
PyML Tutorial para PyML Acho 1 é prático para o uso, 3 é claro para entender.

Answer 5

Assumindo que você sabe o básico (por exemplo, classificadores de margem max, construindo um kernel), resolver Problem Jogo 2 (material informativo nº 5) daquela máquina Stanford curso de aprendizagem. Há chaves de resposta e ele segura a sua mão através de todo o processo. Use notas de aula 3 & vídeo # 7-8 como referências.

Se você não sabe o básico, assistir vídeos anteriores.

Answer 6

Gostaria de pegar uma cópia do R , instale o e1071 pacote que bem wraps LIBSVM , e tentar obter bons resultados em seus conjuntos de dados favoritos.

Se você só descobri PCA, pode ser informativo para olhar para os dados com muito mais preditores do que casos (por exemplo, perfis de expressão gênica por microarrays, séries temporais, espectros de química analítica, etc.) e comparar regressão linear na PCA 'preditores d com SVM sobre os preditores matérias.

Há um monte de grandes referências em outras respostas, mas eu acho que há valor em brincar com a caixa preta, antes de ler o que está dentro.