(आप पहले नीचे "तालिका" देखना चाह सकते हैं)
चलो "क्लासिक" समर्थन वेक्टर मशीनों के साथ शुरू करते हैं। ये दो श्रेणियों के बीच भेदभाव करना सीखते हैं। आप श्रेणी ए, श्रेणी बी के कुछ उदाहरण एकत्र करते हैं और उन दोनों को एसवीएम प्रशिक्षण एल्गोरिथ्म में पास करते हैं, जो लाइन / प्लेन / हाइपरप्लेन को ढूंढता है जो ए को बी से अलग करता है। यह काम करता है - और यह अक्सर काफी अच्छा काम करता है - जब आप अच्छी तरह से परिभाषित और पारस्परिक रूप से अनन्य वर्गों के बीच अंतर करना चाहते हैं: पुरुष बनाम महिला, वर्णमाला के अक्षर, और इसी तरह।
हालाँकि, मान लीजिए कि आप इसके बजाय "ए" की पहचान करना चाहते हैं। आप इसे एक वर्गीकरण समस्या के रूप में मान सकते हैं: मैं "ए" को "न-ए" से कैसे अलग करता हूं। कुत्तों के चित्रों से मिलकर एक प्रशिक्षण सेट को इकट्ठा करना काफी आसान है, लेकिन कुत्तों के नहीं आपके प्रशिक्षण सेट में क्या जाना चाहिए? चूंकि अनंत संख्या में चीजें हैं जो कुत्ते नहीं हैं, इसलिए आपके पास सभी गैर-कैनाइन चीजों के व्यापक और अभी तक प्रतिनिधि प्रशिक्षण सेट का निर्माण करने में मुश्किल समय हो सकता है। इसके बजाय, आप एक वर्गीय क्लासिफायरफ़ायर का उपयोग करने पर विचार कर सकते हैं। पारंपरिक, दो-श्रेणी का क्लासिफायर एक (हाइपर) प्लेन पाता है, जो A को B. से अलग करता है। वन-क्लास SVM इसके बजाय लाइन / प्लेन / हाइपरप्लेन ढूंढता है, जो सभी इन-क्लास पॉइंट्स ("A" s) को मूल से अलग करता है। ;
एसेंबल एसवीएम "सिस्टम" वास्तव में कई दो-स्तरीय एसवीएम "सबयूनिट्स" का संग्रह है। प्रत्येक सबयूनिट को एकल का उपयोग करके प्रशिक्षित किया जाता हैएक वर्ग के लिए सकारात्मक उदाहरण और दूसरे के लिए नकारात्मक उदाहरणों का एक विशाल संग्रह। इस प्रकार, कुत्तों बनाम भेदभाव न करने वाले उदाहरणों (मानक दो-वर्ग एसवीएम), या कुत्तों बनाम मूल (एक-वर्ग एसवीएम) के बजाय, प्रत्येक सबयूनिट विशिष्ट कुत्ते (जैसे, "रेक्स") और कई नहीं-कुत्ते के बीच भेदभाव करता है उदाहरण। व्यक्तिगत सबयूनिट एसवीएम को सकारात्मक वर्ग के प्रत्येक उदाहरण के लिए प्रशिक्षित किया जाता है, इसलिए आपके पास रेक्स के लिए एक एसवीएम होगा, फ़िडो के लिए एक और, फिर भी आपके पड़ोसी के कुत्ते के लिए एक और जो सुबह 6 बजे भौंकता है, और इसी तरह। इन सबयूनिट एसवीएम के आउटपुट को यह निर्धारित करने के लिए कैलिब्रेटेड और संयोजित किया जाता है कि क्या एक कुत्ता, न केवल विशिष्ट उदाहरणों में से एक, परीक्षण डेटा में दिखाई देता है। मुझे लगता है कि आप व्यक्तिगत सबनेट्स के बारे में भी सोच सकते हैं जैसे कि एक-वर्ग एसवीएम, जहां समन्वय स्थान को स्थानांतरित कर दिया गया है ताकि मूल में एक ही सकारात्मक उदाहरण निहित हो।
सारांश में, मुख्य अंतर हैं:
प्रशिक्षण जानकारी
- दो वर्ग एसवीएम: सकारात्मक और नकारात्मक उदाहरण
- एक वर्ग एसवीएम: केवल सकारात्मक उदाहरण
- एसवीएम "सिस्टम" को इकट्ठा करें: सकारात्मक और नकारात्मक उदाहरण। प्रत्येक सबयूनिट को एक सकारात्मक उदाहरण और कई नकारात्मक उदाहरणों पर प्रशिक्षित किया जाता है।
मशीनों की संख्या
- दो वर्ग एसवीएम: एक
- एक वर्ग एसवीएम: एक
- एसवीएम "सिस्टम" को इकट्ठा करें: कई (सकारात्मक उदाहरण के लिए एक सबयूनिट मशीन)
प्रति वर्ग (प्रति मशीन) उदाहरण
- दो वर्ग एसवीएम: कई / कई
- एक वर्ग एसवीएम: कई / एक (मूल में तय)
- एसवीएम "सिस्टम" को इकट्ठा करें: कई / कई
- एसवीएम "सबयूनिट" को इकट्ठा करें: एक / कई
प्रोसेसिंग के बाद
- दो वर्ग एसवीएम: आवश्यक नहीं
- एक वर्ग एसवीएम: आवश्यक नहीं है
- एसवीएम को जोड़ना: प्रत्येक एसवीएम के आउटपुट को क्लास-स्तरीय भविष्यवाणी में फ्यूज करने की आवश्यकता।
पोस्टस्क्रिप्ट: आपने पूछा था कि "[अन्य दृष्टिकोणों" से उनका क्या मतलब है, उदाहरणों को एक सामान्य सुविधा स्थान में मैपिंग की आवश्यकता होती है, जिस पर एक समानता कर्नेल की गणना की जा सकती है। " मुझे लगता है कि उनका मतलब है कि एक पारंपरिक दो-वर्ग एसवीएम इस धारणा के तहत काम करता है कि कक्षा के सभी सदस्य किसी न किसी तरह समान हैं, और इसलिए आप एक ऐसा कर्नेल ढूंढना चाहते हैं जो एक-दूसरे के पास महान डेंस और डैचड्स रखता है , लेकिन सब कुछ दूर है। इसके विपरीत, पहनावा एसवीएम सिस्टम कुछ को एक कुत्ता कहकर इसे दरकिनार कर देता है, अगर यह उन अनुकरणीयों के बीच संबंध के बारे में चिंता किए बिना पर्याप्त रूप से महान डेन-जैसा या डॅक्संड-जैसा या पुडल-जैसा है।