SVM(RBFカーネル)のハイパーパラメータを変えると何が起こるの? - Qiita
#概要 SVM(Support Vector Machine)は分類精度の高い機械学習の手法として知られています. SVMでより高い分類精度を得るには, ハイパーパラメータを訓練データから決定する必要があります. この記事では, RBFカーネル(Gaussian カーネル)を用いたSVMのハイパーパラメータを調整することで, 決定境界がどのように変化するのかを解説します. #決めるべきハイパーパラメータ RBFカーネルを用いたSVMでは, 以下の2つのハイパーパラメータを調整します. コストパラメータ: $C$ RBFカーネルのパラメータ: $\gamma$ コストパラメータについて SVMは特徴空間に写像されたデータ点集合を分離する超平面を決定する手法です. しかし, 特徴空間上の点集合がいつも分離可能とは限りません. 例えば, 以下の図では二種類の記号を完璧に分割するような直線を引くこ
ハイパーパラメータ調整の概要 | AI Platform Training | Google Cloud
ハイパーパラメータのスケーリング ハイパーパラメータに対して実行するスケーリングのタイプを指定できます。スケーリングが推奨されるのは、型が DOUBLE や INTEGER の場合です。使用可能なスケーリングのタイプは次のとおりです。 UNIT_LINEAR_SCALE UNIT_LOG_SCALE UNIT_REVERSE_LOG_SCALE 検索アルゴリズム HyperparameterSpec オブジェクトで検索アルゴリズムを指定できます。アルゴリズムを指定しない場合、デフォルトの AI Platform Training アルゴリズムが使用されます。このアルゴリズムは、パラメータ空間のより効果的な検索により、最適なソリューションを導き出します。 使用可能な値は次のとおりです。 ALGORITHM_UNSPECIFIED: 検索アルゴリズムを指定しない場合と同じ動作になります。AI
サポートベクトルマシンの考え方 | Logics of Blue
予測には過去のデータを使います｡しかし､外れ値のような余計なデータまで使ってしまうと､予測精度が下がるかもしれません｡ そこで「本当に予測に必要となる一部のデータ」だけを使います｡ 「本当に予測に必要となる一部のデータ」のことをサポートベクトルと呼び､サポートベクトルを用いた機械学習法がサポートベクトルマシン（Sapport vector machine:SVM）です。 ここでは、分類・回帰に分けたサポートベクトルマシンの概要と、R言語を用いた実装方法について説明します。 ソースコードはこちらに置いてあります。 スポンサードリンク 目次 サポートベクトル分類の考え方 マージン最大化とサポートベクトル ハードマージンとソフトマージン Rによる計算例：線形データ 非線形データへの対応とカーネル関数 Rによる計算例：非線形データ 補足:パラメタ推定の工夫とカーネルトリック サポートベクトル回帰の
損失関数について、ざっくりと考える - Qiita
あまり深く考えたくない性格なもので、出来ればざっくりと感覚的に理解したいと常々思っています。 そこで、この損失関数についても、直観的に理解できるように、ちょっと調べてみます。 損失関数ってなによ？ そもそも損失関数ってなんでしょう？ いろいろ調べるとやたら難しい説明が出てきますが、ようは2つの値の差が小さくなるような関数のことのようです。 Deep Learningの識別等では、学習時に、いかに答えに近い値になるように重みパラメータを調整するのかがメインとなるのですが、この「答えに近い値になるように」の部分を担うのが、この「損失関数」というわけです。 「値＝損失」ということで、この損失をいかに少なくするのかということで「損失関数」となります。 損失関数の種類 では、損失関数にはどういった種類のものがあるのでしょうか。 ざっと調べてみても、結構な種類があります。 ヒンジ損失関数 ε許容誤差関
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
機械学習の正則化とは何ですか？
政府、AI人材年25万人育成へ 全大学生に初級教育 - 日本経済新聞