|
给我几个支持向量,我可以支撑起整个超平面…
二分类
是与否,有跟无,调控非调控,变异非变异,乃至得病与否的判断,二分类是最直观的生物学问题。我们往往希望在基因检测之后,判断患者的病症、肿瘤类型,就好像在茫茫数据点中,用洪荒之力分出一个平面,这边是癌症,那边是健康。
Support Vector Machine是非常经典的二分类模型,其核心在于找到具有最大间隔的超平面(maximum-margin hyperplane)。由于只需要数个向量就可以描述一个边界,故这些向量被称为支持向量(support vector),这也是该算法名称的由来。
SVM的绝妙之处,在于将低维的线性不可分转变为高维的线性可分,这其中用到的便是核函数(kernel function),它仅仅是做隐式映射,并不显式地计算结果,这就基本避免了维度提升带来的计算爆炸。不过优点也往往就是缺点,复杂的数据转换以及难以阐述的超平面信息,是SVM被研究者诟病为black box的原因。
还是二分类
SVM最早被研究用于二分类,然而现实生活中总是充斥着多分类问题。除了对于SVM算法的改进进行多分类研究外,我们也可以利用原本二分类器的组合达到目的:
一对多。即从整体中依次将各个类别识别出来。
一对一。即对每两个类别设计一个SVM(共需k(k-1)/2个),最后可利用投票或别的ensemble方法进行类别确定。
层次法。即不断地划分子类。
其他。
原文链接https://wenlongshen.github.io/2017/02/12/SVM/
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-12-26 22:55
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社