در این مطلب، ویدئو SVM (Support Vector Machine) در پایتون – یادگیری ماشینی از ابتدا 07 – آموزش پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:19:28
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,399
سلام به همه خوش آمدید به یک
2
00:00:02,399 –> 00:00:04,890
آموزش یادگیری ماشینی جدید از ابتدا امروز
3
00:00:04,890 –> 00:00:07,049
ما قصد داریم الگوریتم SVM را
4
00:00:07,049 –> 00:00:09,480
فقط با استفاده از ماژول های ساخت و پایتون پیاده سازی کنیم و
5
00:00:09,480 –> 00:00:13,349
SVM یا ماشین بردار پشتیبان
6
00:00:13,349 –> 00:00:16,410
یک الگوریتم بسیار محبوب است که
7
00:00:16,410 –> 00:00:18,869
از ایده استفاده از یک مدل خطی پیروی می کند و
8
00:00:18,869 –> 00:00:21,510
یک مرز تصمیم خطی نیز
9
00:00:21,510 –> 00:00:24,990
به نام هایپرپلان پیدا کنید که
10
00:00:24,990 –> 00:00:28,529
داده های ما را به بهترین شکل از هم جدا می کند و در اینجا انتخاب به عنوان بهترین
11
00:00:28,529 –> 00:00:30,599
هایپرپلین، مرزی است که نشان
12
00:00:30,599 –> 00:00:33,570
دهنده بزرگترین جدایی یا بزرگترین
13
00:00:33,570 –> 00:00:37,170
مارش در بین دو کلاس باشد، بنابراین
14
00:00:37,170 –> 00:00:39,210
ابر صفحه را طوری انتخاب می کنیم که
15
00:00:39,210 –> 00:00:42,090
فاصله از آن را نشان دهد. تا نزدیکترین
16
00:00:42,090 –> 00:00:46,079
نقطه داده در هر طرف حداکثر شده است، بنابراین
17
00:00:46,079 –> 00:00:48,450
اگر به این تصویر نگاه کنید،
18
00:00:48,450 –> 00:00:51,600
میخواهیم یک ابر صفحه پیدا کنیم و ابر صفحه
19
00:00:51,600 –> 00:00:55,320
باید این معادله را برآورده کند
20
00:00:55,320 –> 00:01:02,039
W ضربدر X منهای B برابر با 0 و ما میخواهیم
21
00:01:02,039 –> 00:01:05,729
ابر صفحه را پیدا کنیم تا
22
00:01:05,729 –> 00:01:10,920
فاصله هر دو مجموعه تا هر دو کلاس
23
00:01:10,920 –> 00:01:15,360
به حداکثر می رسد، بنابراین از کلاس به علاوه 1
24
00:01:15,360 –> 00:01:20,400
در اینجا و منهای 1 در اینجا استفاده می کنیم، بنابراین این فاصله
25
00:01:20,400 –> 00:01:24,500
یا حاشیه باید حداکثر شود و
26
00:01:24,500 –> 00:01:27,240
ابتدا h به ریاضیات پشت آن نگاهی بیندازید،
27
00:01:27,240 –> 00:01:29,850
بنابراین کمی
28
00:01:29,850 –> 00:01:32,189
پیچیدهتر از آموزشهای قبلی من است،
29
00:01:32,189 –> 00:01:34,680
اما قول میدهم وقتی
30
00:01:34,680 –> 00:01:36,570
آن را فهمیدید، اجرای نهایی
31
00:01:36,570 –> 00:01:41,880
نسبتاً ساده است، بنابراین از مدل خطی
32
00:01:41,880 –> 00:01:46,259
W ضربدر X منهای B استفاده کردیم که باید 0 باشد.
33
00:01:46,259 –> 00:01:53,579
و سپس تابع ما نیز باید
34
00:01:53,579 –> 00:01:57,990
این شرط را برآورده کند که W ضربدر X
35
00:01:57,990 –> 00:02:02,369
منهای B باید بزرگتر یا مساوی
36
00:02:02,369 –> 00:02:06,899
1 برای کلاس ما به اضافه 1 باشد، بنابراین تمام
37
00:02:06,899 –> 00:02:10,500
نمونه های اینجا باید در سمت
38
00:02:10,500 –> 00:02:13,310
چپ این معادله یا
39
00:02:13,310 –> 00:02:18,950
این خط در اینجا و همه نمونه ها قرار بگیرند.
40
00:02:18,950 –> 00:02:24,349
از کلاس – یکی باید در
41
00:02:24,349 –> 00:02:27,500
سمت راست این معادله دراز بکشد، بنابراین اگر
42
00:02:27,500 –> 00:02:29,000
این را به صورت ریاضی
43
00:02:29,000 –> 00:02:34,160
قرار دهیم، باید W ضربدر X
44
00:02:34,160 –> 00:02:36,650
منهای B باید بزرگتر یا مساوی از
45
00:02:36,650 –> 00:02:41,840
یک برای کلاس یک باشد یا باید کمتر
46
00:02:41,840 –> 00:02:44,989
یا مساوی از منهای باشد. یک برای کلاس منهای
47
00:02:44,989 –> 00:02:48,049
یک، بنابراین اگر این را فقط در یک
48
00:02:48,049 –> 00:02:53,959
معادله قرار دهید، تابع خطی خود
49
00:02:53,959 –> 00:02:57,500
را با برچسب کلاس ضرب می کنیم و این
50
00:02:57,500 –> 00:03:00,620
باید بزرگتر یا مساوی از یک باشد، بنابراین
51
00:03:00,620 –> 00:03:02,810
این شرطی است که می خواهیم
52
00:03:02,810 –> 00:03:06,049
برآورده شود و اکنون می خواهیم بالا بیایم. w
53
00:03:06,049 –> 00:03:10,459
با W و B وزن ما و
54
00:03:10,459 –> 00:03:14,360
بایاس و برای این کار از تابع هزینه استفاده می
55
00:03:14,360 –> 00:03:18,019
کنیم و سپس گرادیان نزول را اعمال می کنیم،
56
00:03:18,019 –> 00:03:21,019
بنابراین اگر قبلاً با گرادیان
57
00:03:21,019 –> 00:03:23,420
decent آشنا نیستید، لطفاً یکی از
58
00:03:23,420 –> 00:03:26,420
آموزش های قبلی من را تماشا کنید، به عنوان
59
00:03:26,420 –> 00:03:28,700
مثال آموزش خطی. رگرسیون در آنجا من
60
00:03:28,700 –> 00:03:30,470
این را کمی بیشتر با جزئیات توضیح دادم،
61
00:03:30,470 –> 00:03:36,739
بنابراین حالا بیایید ادامه دهیم بنابراین از
62
00:03:36,739 –> 00:03:40,850
تابع هزینه کاربر در اینجا استفاده می کنیم و در این
63
00:03:40,850 –> 00:03:44,150
مورد از تلفات لولا استفاده می کنیم و این
64
00:03:44,150 –> 00:03:50,660
به عنوان حداکثر صفر و یک تعریف می شود –
65
00:03:50,660 –> 00:03:54,350
و در اینجا شرایط خود را داریم Y I
66
00:03:54,350 –> 00:03:57,920
ضربدر مدل خطی ما است، بنابراین
67
00:03:57,920 –> 00:04:01,400
اگر افت لولا را رسم کنیم، این به این معنی است که در اینجا
68
00:04:01,400 –> 00:04:05,000
خط آبی افت لولا است،
69
00:04:05,000 –> 00:04:13,489
بنابراین اگر Y ضربدر F بزرگتر یا
70
00:04:13,489 –> 00:04:18,589
مساوی 1 باشد، اگر Y ضربدر F بزرگتر باشد یا مساوی 1 باشد، این به این معناست.
71
00:04:18,589 –> 00:04:25,460
این 0 است و بنابراین
72
00:04:25,460 –> 00:04:27,979
اگر آنها بله اگر به درستی طبقه بندی شده باشند
73
00:04:27,979 –> 00:04:31,039
و بزرگتر از 1 باشند، ضرر ما
74
00:04:31,039 –> 00:04:33,770
صفر است، به این معنی است که اگر
75
00:04:33,770 –> 00:04:37,940
دوباره به این تصویر نگاه کنیم، اگر برای کلاس سبز
76
00:04:37,940 –> 00:04:42,050
باشد، اگر در این سمت
77
00:04:42,050 –> 00:04:45,830
باشد، 0 است. و برای کلاس آبی اگر دروغ باشد
78
00:04:45,830 –> 00:04:49,750
o در این سمت، آنگاه نیز 0 است
79
00:04:49,750 –> 00:04:53,180
و در غیر این صورت، یک تابع خطی داریم،
80
00:04:53,180 –> 00:04:56,000
بنابراین هر چه از
81
00:04:56,000 –> 00:05:01,160
خط مرزی تصمیم خود دورتر
82
00:05:01,160 –> 00:05:06,590
باشیم، ضرر ما بیشتر است و بنابراین این یک بخش از
83
00:05:06,590 –> 00:05:10,340
تابع هزینه ما است و بخش دیگر مانند من است.
84
00:05:10,340 –> 00:05:13,900
گفت: ما می خواهیم
85
00:05:13,900 –> 00:05:18,949
حاشیه را در اینجا به حداکثر برسانیم، بنابراین بین این دو کلاس
86
00:05:18,949 –> 00:05:24,560
و حاشیه تعریف شده است 2 بیش از
87
00:05:24,560 –> 00:05:28,130
قدر W، بنابراین این
88
00:05:28,130 –> 00:05:30,949
بستگی به وزن ما به بردار وزن ما دارد،
89
00:05:30,949 –> 00:05:35,080
بنابراین می خواهیم این را به حداکثر برسانیم و
90
00:05:35,080 –> 00:05:38,750
بنابراین می خواهیم مقدار را به حداقل برسانیم.
91
00:05:38,750 –> 00:05:41,990
قدر بنابراین ما این را قرار می دهیم یا این را
92
00:05:41,990 –> 00:05:46,430
به تابع هزینه خود اضافه می کنیم، بنابراین این
93
00:05:46,430 –> 00:05:51,020
عبارت را نیز قدر W را به توان
94
00:05:51,020 –> 00:05:56,240
2 برابر یک پارامتر لامبدا قرار می دهیم و سپس در اینجا
95
00:05:56,240 –> 00:05:59,120
ما تلفات لولای خود را داریم بنابراین پارامتر لامبدا
96
00:05:59,120 –> 00:06:02,330
سعی می کند یک مبادله پیدا کند.
97
00:06:02,330 –> 00:06:07,099
بین این دو عبارت، بنابراین با آن
98
00:06:07,099 –> 00:06:09,500
اساساً میگوید کدام مهمتر است،
99
00:06:09,500 –> 00:06:12,259
بنابراین ما میخواهیم البته میخواهیم
100
00:06:12,259 –> 00:06:14,810
طبقهبندی درستی داشته باشیم، میخواهیم
101
00:06:14,810 –> 00:06:18,530
در سمت درست خطوط خود بخوابیم، اما
102
00:06:18,530 –> 00:06:21,469
همچنین میخواهیم خطی را به گونهای داشته باشیم
103
00:06:21,469 –> 00:06:29,539
که margin is به حداکثر می رسد بنابراین بله، بنابراین اگر
104
00:06:29,539 –> 00:06:34,880
به دو مورد نگاه کنید اگر
105
00:06:34,880 –> 00:06:36,300
ما در
106
00:06:36,300 –> 00:06:40,110
سمت راست خطوط هستیم که چرا I ضربدر F
107
00:06:40,110 –> 00:06:44,370
روی X f از X بزرگتر یا مساوی یک است،
108
00:06:44,370 –> 00:06:48,270
ما فقط این عبارت را داریم.
109
00:06:48,270 –> 00:06:52,190
زیرا این تلفات لولا 0 است و
110
00:06:52,190 –> 00:06:57,539
در غیر این صورت تابع هزینه ما
111
00:06:57,539 –> 00:07:03,509
امسال است و اکنون می خواهیم آن را به حداقل برسانیم بنابراین
112
00:07:03,509 –> 00:07:07,050
می خواهیم مشتقات یا
113
00:07:07,050 –> 00:07:12,240
گرادیان های تابع هزینه خود را بدست آوریم بنابراین در
114
00:07:12,240 –> 00:07:15,300
حالت اول اگر بزرگتر یا مساوی باشیم
115
00:07:15,300 –> 00:07:22,800
از 1 مشتق ما فقط 2 برابر
116
00:07:22,800 –> 00:07:27,810
لامبدا ضربدر W است بنابراین و در اینجا فقط به
117
00:07:27,810 –> 00:07:32,190
یک جزء W خود نگاه می کنیم بنابراین از قدر خلاص می شویم
118
00:07:32,190 –> 00:07:36,389
و مشتق با
119
00:07:36,389 –> 00:07:41,009
توجه به B 0 است پس لطفاً دوباره
120
00:07:41,009 –> 00:07:42,990
بررسی کنید که برای خودتان در اینجا خواهم گفت.
121
00:07:42,990 –> 00:07:45,800
مشتقات را با جزئیات توضیح ندهید و
122
00:07:45,800 –> 00:07:50,789
در حالت دیگر، بنابراین اگر Y I ضربدر F
123
00:07:50,789 –> 00:07:55,469
روی X از 1 بزرگتر یا مساوی نباشد،
124
00:07:55,469 –> 00:08:01,190
مشتق ما نسبت به W در
125
00:08:01,190 –> 00:08:04,889
اینجا این معادله است و مشتق
126
00:08:04,889 –> 00:08:08,599
با توجه به بایاس ما فقط Y I است.
127
00:08:08,599 –> 00:08:10,889
مجدداً لطفاً آن را برای
128
00:08:10,889 –> 00:08:14,719
خودتان و خودتان بررسی کنید n هنگامی که ما
129
00:08:14,719 –> 00:08:18,120
گرادیان های خود را داریم، می توانیم از قانون به روز رسانی استفاده کنیم،
130
00:08:18,120 –> 00:08:21,690
بنابراین وزن جدید وزن قبلی است –
131
00:08:21,690 –> 00:08:24,779
چون از شیب نزول استفاده می کنیم بنابراین
132
00:08:24,779 –> 00:08:28,680
به سمت منفی می رویم – نرخ یادگیری
133
00:08:28,680 –> 00:08:32,370
یا اندازه گام
134
00:08:32,370 –> 00:08:36,029
ضربدر مشتق است، بنابراین این قوانین به روز رسانی ما هستند
135
00:08:36,029 –> 00:08:40,370
و اکنون امیدوارم که
136
00:08:40,370 –> 00:08:44,430
مفهوم و ریاضیات پشت این را درک کرده باشید و اکنون
137
00:08:44,430 –> 00:08:47,279
می توانیم پیاده سازی آن را شروع کنیم، بنابراین این کار
138
00:08:47,279 –> 00:08:49,390
اکنون ساده است،
139
00:08:49,390 –> 00:08:52,750
ابتدا S&P numpy را وارد می
140
00:08:52,750 –> 00:08:57,430
کنیم و سپس کلاس خود را به عنوان
141
00:08:57,430 –> 00:09:03,149
ما M ایجاد می کنیم که یک متد init دریافت می کند. و
142
00:09:03,149 –> 00:09:08,920
در اینجا من یک نرخ یادگیری قرار
143
00:09:08,920 –> 00:09:12,070
می دهم که مقدار پیش فرض نقطه صفر
144
00:09:12,070 –> 00:09:15,19