Marže (strojové učení) - Margin (machine learning)
 | Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto otázkách na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)
|
H2 ano, ale jen s malou rezervou.
H3 odděluje je s maximální rezervou.
v strojové učení the okraj jednoho datového bodu je definována jako vzdálenost od datového bodu k a hranice rozhodnutí. Všimněte si, že existuje mnoho vzdáleností a hranic rozhodování, které mohou být vhodné pro určité datové sady a cíle. A klasifikátor marže je klasifikátor, který explicitně využívá okraj každého příkladu při učení a klasifikátor. Existují teoretická zdůvodnění (na základě VC rozměr ), proč může být maximalizace rozpětí (za určitých vhodných omezení) prospěšná pro algoritmy strojového učení a statistické inference.
Existuje mnoho hyperplánů, které by mohly klasifikovat data. Jedna rozumná volba jako nejlepší nadrovina je ta, která představuje největší oddělení, nebo okraj mezi těmito dvěma třídami. Takže zvolíme nadrovinu tak, aby byla vzdálenost od ní k nejbližšímu datovému bodu na každé straně maximalizována. Pokud taková nadrovina existuje, je známá jako hyperrovina s maximálním okrajem a lineární klasifikátor, který definuje, je známý jako a maximum klasifikátor marže; nebo ekvivalentně perceptron optimální stability.[Citace je zapotřebí ]
 | Tento programování související článek je a pahýl. Wikipedii můžete pomoci pomocí rozšiřovat to. |