मैंने एसवीएम के बारे में पढ़ा और सीखा कि वे एक अनुकूलन समस्या को हल कर रहे हैं और अधिकतम मार्जिन विचार बहुत उचित था।
अब, गुठली का उपयोग करके वे गैर-रेखीय पृथक्करण सीमाएं भी पा सकते हैं जो महान थी।
अब तक, मुझे वास्तव में यह पता नहीं है कि एसवीएम (एक विशेष कर्नेल मशीन) और कर्नेल मशीन तंत्रिका नेटवर्क से कैसे संबंधित हैं?
यहाँ यान येकुन => की टिप्पणियों पर विचार करें :
kernel methods were a form of glorified template matching
और यहाँ भी :
उदाहरण के लिए, कुछ लोग कर्नेल के तरीकों से चकाचौंध थे क्योंकि यह प्यारा गणित है जो इसके साथ जाता है। लेकिन, जैसा कि मैंने अतीत में कहा है, अंत में, कर्नेल मशीन उथले नेटवर्क हैं जो "शानदार टेम्पलेट मिलान" करते हैं। इसमें कुछ भी गलत नहीं है (एसवीएम एक शानदार तरीका है), लेकिन इसकी सख्त सीमाएं हैं जिनसे हम सभी को अवगत होना चाहिए।
तो मेरे सवाल हैं:
- SVM तंत्रिका नेटवर्क से कैसे संबंधित है? यह एक उथला नेटवर्क कैसे है?
- SVM एक अच्छी तरह से परिभाषित उद्देश्य फ़ंक्शन के साथ एक अनुकूलन समस्या हल करता है, यह टेम्पलेट मिलान कैसे कर रहा है? यहाँ कौन सा टेम्प्लेट है जिससे किसी इनपुट का मिलान किया जाता है?
मुझे लगता है कि इन टिप्पणियों को उच्च आयामी रिक्त स्थान, तंत्रिका जाल और कर्नेल मशीनों की गहन समझ की आवश्यकता है लेकिन अब तक मैं कोशिश कर रहा हूं और इसके पीछे के तर्क को समझ नहीं सका। लेकिन दो बहुत अलग मिलीलीटर तकनीकों के बीच कनेक्शन को नोट करना निश्चित रूप से दिलचस्प है।
संपादित करें: मुझे लगता है कि तंत्रिका दृष्टिकोण से एसवीएम को समझना बहुत अच्छा होगा। मैं उपरोक्त दो प्रश्नों के गहन गणित समर्थित उत्तर की तलाश कर रहा हूं, ताकि वास्तव में एसवीएम और न्यूरल नेट के बीच की कड़ी को समझ सकें, दोनों कर्नेल ट्रिक के साथ रैखिक एसवीएम और एसवीएम के मामले में।