Ағаштар. Бинарлық іздеу. Іздеу ағаштары. Теңдестірілген ағаштар. Үйінді

№ 4 зертханалық жұмыс. Ағаштар. Бинарлық іздеу. Іздеу ағаштары. Теңдестірілген ағаштар. Үйінді. Пирамидалық сұрыптау. Кең тармақталған ағаштар.

Қолдау векторларының әдісі (Support Vector Machine, SVM) — сызықтық классификаторлардың бір түрі. Ол оңтайландыратын функционалдылық сыныптар арасындағы бөлу жолағының енін барынша арттыруға бағытталған. Статистикалық оқыту теориясынан бұл ен алгоритмнің жалпылама қабілетімен тығыз байланысты екендігі белгілі және оны барынша көбейту сізге қайта оқытумен күресуге мүмкіндік береді. Қолдау векторлары әдісінің тағы бір ерекшелігі бар. Егер біз оның оңтайландыру міндетін түрлендіретін болсақ, онда қорытынды жіктеуішті осы объектінің скалярлық туындыларының өлшенген сомасы ретінде оқу үлгісінің объектілеріне ұсынуға болады:

[pic 1]

Негізінде, алгоритм жаңа объектінің оқу үлгісінің объектілерімен ұқсастығына негізделген болжамдар жасайды. Бұл жағдайда, әдетте, барлық коэффициенттер нөлдік емес. Бұл жіктеу тек оқу объектілерінің бір бөлігіне ұқсастық негізінде жасалады дегенді білдіреді. Мұндай нысандар тірек деп аталады.

Scikit-те іске асыру-үйрену

Қолдау векторларының әдісі sklearn класында жүзеге асырылады.svm.SVC.

* Осы сыныптың негізгі параметрлері-с коэффициенті және ядро түрі. Бұл тапсырмада біз сызықтық ядроны қолданамыз - ол үшін kernel='linear'параметрінің мәнін орнату керек

* Оқытылған жіктеуіштің тірек объектілерінің индекстері support өрісінде сақталады_

Орындау жөніндегі Нұсқаулық

1. Үлгіні svm-data файлынан жүктеңіз.csv. Ол екі өлшемді үлгіні жазады(мақсатты айнымалы бірінші бағанда, екінші және үшінші бағандарда көрсетілген).

2. Сызықтық ядросы бар жіктеуішті, c = 100000 және random_state=241 параметрін үйретіңіз. Бұл параметр мәні SVM сызықтық түрде бөлінгендей үлгімен жұмыс істейтініне көз жеткізу үшін қолданылуы керек. Параметрдің төменгі мәндерінде алгоритм функциядағы терминді ескере отырып, кішігірім шегіністер үшін айыппұл салынады, сондықтан нәтиже сызықтық бөлінген үлгі үшін классикалық SVM мәселесін шешумен сәйкес келмеуі мүмкін.