. . . . . . . . . . . . . . . . . . . . . . . . . "Support vector machines (zkratka: SVM) je metoda strojov\u00E9ho u\u010Den\u00ED s u\u010Ditelem, slou\u017E\u00EDc\u00ED zejm\u00E9na pro klasifikaci a tak\u00E9 pro regresn\u00ED anal\u00FDzu. Na jej\u00EDm vynalezen\u00ED se pod\u00EDlel zejm\u00E9na Vladimir Vapnik.Z\u00E1kladem metody SVM je line\u00E1rn\u00ED klasifik\u00E1tor do dvou t\u0159\u00EDd. C\u00EDlem \u00FAlohy je nal\u00E9zt nadrovinu, kter\u00E1 prostor p\u0159\u00EDznak\u016F optim\u00E1ln\u011B rozd\u011Bluje tak, \u017Ee tr\u00E9novac\u00ED data n\u00E1le\u017Eej\u00EDc\u00ED odli\u0161n\u00FDm t\u0159\u00EDd\u00E1m le\u017E\u00ED v opa\u010Dn\u00FDch poloprostorech. Optim\u00E1ln\u00ED nadrovina je takov\u00E1, \u017Ee hodnota minima vzd\u00E1lenost\u00ED bod\u016F od roviny je co nejv\u011Bt\u0161\u00ED. Jin\u00FDmi slovy, okolo nadroviny je na ob\u011B strany co nej\u0161ir\u0161\u00ED pruh bez bod\u016F (maxim\u00E1ln\u00ED odstup, angl. maximal margin, \u010Desky je tento pruh n\u011Bkdy naz\u00FDv\u00E1n tak\u00E9 p\u00E1smo necitlivosti nebo hrani\u010Dn\u00ED p\u00E1smo). Na popis nadroviny sta\u010D\u00ED pouze body le\u017E\u00EDc\u00ED na okraji tohoto p\u00E1sma a t\u011Bch je obvykle m\u00E1lo - tyto body se naz\u00FDvaj\u00ED podp\u016Frn\u00E9 vektory (angl. support vectors) a odtud n\u00E1zev metody.D\u016Fle\u017Eitou sou\u010D\u00E1st\u00ED techniky Support vector machines je j\u00E1drov\u00E1 transformace (angl. kernel transformation) prostoru p\u0159\u00EDznak\u016F dat do prostoru transformovan\u00FDch p\u0159\u00EDznak\u016F typicky vy\u0161\u0161\u00ED dimenze. Tato j\u00E1drov\u00E1 transformace umo\u017E\u0148uje p\u0159ev\u00E9st p\u016Fvodn\u011B line\u00E1rn\u011B neseparovatelnou \u00FAlohu na \u00FAlohu line\u00E1rn\u011B separovatelnou, na kterou lze d\u00E1le aplikovat optimaliza\u010Dn\u00ED algoritmus pro nalezen\u00ED rozd\u011Bluj\u00EDc\u00ED nadroviny. Trik je v tom, \u017Ee nadrovina je pops\u00E1na a p\u0159i v\u00FDpo\u010Dtech je pou\u017Eit\u00FD pouze skal\u00E1rn\u00ED sou\u010Din, a skal\u00E1rn\u00ED sou\u010Din transformovan\u00FDch dat ve vysokorozm\u011Brn\u00E9m prostoru se nepo\u010D\u00EDt\u00E1 explicitn\u011B, ale po\u010D\u00EDt\u00E1 se K(x, x1), tj. hodnota j\u00E1drov\u00E9 funkce K na datech v p\u016Fvodn\u00EDm prostoru parametr\u016F.Pou\u017E\u00EDvaj\u00ED se r\u016Fzn\u00E9 kernelov\u00E9 transformace. Intuitivn\u011B, vyjad\u0159uj\u00ED podobnost dat, tj. sv\u00FDch dvou vstupn\u00EDch argument\u016F. V\u00FDhodou t\u00E9to metody (a jin\u00FDch metod zalo\u017Een\u00FDch na j\u00E1drov\u00E9 transformaci) je, \u017Ee transformace se d\u00E1 definovat pro r\u016Fzn\u00E9 typy objekt\u016F, nejen body v Rn. Nap\u0159. pro grafy, stromy, posloupnosti DNA ..."@cs . . "Support vector machines"@cs . . . . . . . . . . "20486"^^ . . . . . "Support vector machines"@cs . . "Support vector machines (zkratka: SVM) je metoda strojov\u00E9ho u\u010Den\u00ED s u\u010Ditelem, slou\u017E\u00EDc\u00ED zejm\u00E9na pro klasifikaci a tak\u00E9 pro regresn\u00ED anal\u00FDzu. Na jej\u00EDm vynalezen\u00ED se pod\u00EDlel zejm\u00E9na Vladimir Vapnik.Z\u00E1kladem metody SVM je line\u00E1rn\u00ED klasifik\u00E1tor do dvou t\u0159\u00EDd. C\u00EDlem \u00FAlohy je nal\u00E9zt nadrovinu, kter\u00E1 prostor p\u0159\u00EDznak\u016F optim\u00E1ln\u011B rozd\u011Bluje tak, \u017Ee tr\u00E9novac\u00ED data n\u00E1le\u017Eej\u00EDc\u00ED odli\u0161n\u00FDm t\u0159\u00EDd\u00E1m le\u017E\u00ED v opa\u010Dn\u00FDch poloprostorech."@cs . "support vector machines"@cs . "15404331"^^ . . . . . . . . "209152"^^ . . . . . . . . . "54"^^ . . . . .