Support Vector Machine - SVM
Link: https://de.wikipedia.org/wiki/Support_Vector_Machine
Eine Support Vector Machine [səˈpɔːt ˈvektə məˈʃiːn] (SVM, die Übersetzung aus dem Englischen, „Stützvektormaschine“ oder Stützvektormethode, ist nicht gebräuchlich) dient als Klassifikator (vgl. Klassifizierung) und Regressor (vgl. Regressionsanalyse). Eine Support Vector Machine unterteilt eine Menge von Objekten so in Klassen, dass um die Klassengrenzen herum ein möglichst breiter Bereich frei von Objekten bleibt; sie ist ein sogenannter Large Margin Classifier (dt. „Breiter-Rand-Klassifikator“).
Support Vector Machines sind keine Maschinen im herkömmlichen Sinne, bestehen also nicht aus greifbaren Bauteilen. Es handelt sich um ein rein mathematisches Verfahren der Mustererkennung, das in Computerprogrammen umgesetzt wird. Der Namensteil machine weist dementsprechend nicht auf eine Maschine hin, sondern auf das Herkunftsgebiet der Support Vector Machines, das maschinelle Lernen.
Wichtige Begriffe:
# Implementierung Support Vector Machine
# 2022 Ehrenfried Stuhlpfarrer
# Import der erforderlichen Bibliotheken
import numpy as np
import matplotlib.pyplot as plt
import sklearn
from scipy import stats
import seaborn as sns; sns.set()
# Generierung eines Datasets - linear separierbar
from sklearn.datasets import make_blobs
X_data, y_data = make_blobs(n_samples=500, centers=2,
random_state=0, cluster_std=0.30)
plt.scatter(X_data[:, 0], X_data[:, 1], c=y_data, s=30, cmap="winter")
# Die erwartete Ausgabe hat ein Dataset mit 500 Samples und 2 Clusters
# Implementierung der Klassifikation
xfit = np.linspace(-1, 3.5)
plt.scatter(X_data[:, 0], X_data[:, 1], c=y_data, s=30, cmap="winter")
for m, b in [(1, 0.65), (0.5, 1.6), (-0.2, 2.9)]:
plt.plot(xfit, m * xfit + b, "-k")
plt.xlim(-1, 3.5)
plt.show()
