Máquina de Vetores de Suporte (SVM)

Lição 18 de 19 do curso Introdução ao aprendizado de máquina da Coddy.

Support Vector Machine (SVM) é um algoritmo de aprendizado de máquina supervisionado poderoso e versátil, usado tanto para tarefas de classificação quanto de regressão. No entanto, é mais comumente usado em problemas de classificação. As SVMs oferecem alta precisão e apresentam bom desempenho com um espaço de características de alta dimensão, tornando-as adequadas para aplicações que variam de reconhecimento de imagem a bioinformática.

Fonte: wikipedia

O principal objetivo do algoritmo SVM é encontrar o hiperplano ideal (em um espaço bidimensional, trata-se de uma linha) que melhor separa as classes no espaço de características. O modelo SVM representa os exemplos como pontos no espaço, mapeados de tal forma que os exemplos de categorias separadas sejam divididos por uma lacuna clara que seja a mais larga possível.

Hiperplano: Esta é basicamente uma fronteira de decisão que separa as classes. Em 2D, este hiperplano é uma linha, mas em dimensões superiores, pode ser mais complexo.
Vetores de Suporte: Estes são os pontos de dados mais próximos do hiperplano, que são críticos na definição da posição do hiperplano. O classificador SVM é altamente influenciado por esses pontos, daí o nome Support Vector Machine.
Margem: É a lacuna entre duas linhas nos pontos de dados mais próximos de diferentes classes. Pode ser considerada como uma medida de separação entre as classes. Garantir que a margem seja a mais larga possível é um objetivo fundamental no treinamento de uma SVM.

Tipos de SVM:

SVM Linear: Quando os dados são linearmente separáveis, podemos usar uma única linha reta para separar as classes. Este cenário utiliza SVM linear.
SVM Não-linear: Quando os dados não são linearmente separáveis, a SVM utiliza o que é chamado de truque de kernel para transformar o espaço de entrada em um espaço de dimensão superior, onde um hiperplano pode ser usado para realizar a separação. O truque de kernel envolve a transformação dos dados em outra dimensão que possua uma margem clara entre as classes de dados. Isso permite que a SVM resolva problemas não lineares. Kernels comuns incluem:
- Kernel Linear: Usado quando os dados são linearmente separáveis.
- Kernel Polinomial: Transforma o espaço de características original em um espaço de características polinomial de um grau especificado.
- Kernel Gaussiano: Útil para dados não lineares que se agrupam em grupos. Ele mapeia o espaço de características em dimensões superiores.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Desafio

Fácil

As Máquinas de Vetores de Suporte (SVMs) utilizam funções de kernel para transformar dados em um espaço de dimensão superior, onde é mais fácil classificá-los. Esse processo é conhecido como o "truque do kernel". Ele permite que as SVMs resolvam problemas de classificação e regressão não lineares de forma eficiente.

Aqui, exploraremos o kernel polinomial, que permite fronteiras curvas nos dados. Ele eleva os dados a um grau especificado d. Este kernel é particularmente útil quando a relação entre os rótulos das classes e os atributos é polinomial.
File:Svm 8 polinomial.JPG

Fonte: wikipedia

Crie uma função chamada polynomial_kernel que recebe duas listas (x, y), um grau (d) e um coeficiente (c) e retorna o kernel polinomial.

$K(x,y)=(x^{\mathsf {T}}y+c)^{d}$ → (produto escalar de x transposto por y somado a c) elevado à potência de d.

Experimente você mesmo

import numpy as np
def polynomial_kernel(x, y, d, c):
    x_arr = np.array(x)
    y_arr = np.array(y)
    # Escreva seu código aqui

Todas as lições de Introdução ao aprendizado de máquina

1O Início da Jornada em ML

Introdução a ML Dados para alimentar um modelo O que é um modelo de ML

4Algoritmo K-Means

Introdução ao K-Means método fit método predict

2Visão geral de Machine Learning

Aprendizado supervisionado Aprendizado não supervisionado

5Naive Bayes

Introdução ao Naive Bayes método fit método predict

3K-Vizinhos Mais Próximos (KNN)

Introdução ao KNN método fit método predict

6Outros Modelos

Regressão Logística Regressão Linear Árvore de DecisãoMáquina de Vetores de Suporte (SVM)Questionário sobre Modelos

Pratique por conta própria: Compilador de Python online