هر ابرصفحه را می توان به عنوان مجموعه ای از نقطه x رضایت بخش w⋅x+b=0 نوشت. ابتدا، نماد دیگری را برای محصول نقطه ای تشخیص می دهیم، مقاله به جای wTx از w⋅x استفاده می کند.
چگونه هایپرپلان را محاسبه می کنید؟
هیپرصفحه تعمیم ابعادی بالاتر از خطوط و سطوح است. معادله یک ابر صفحه w · x + b=0 است، که در آن w یک بردار نرمال برای ابر صفحه و b یک افست است.
Hyperplane و Margin در SVM چیست؟
یک الگوریتم آموزشی SVM به مجموعه داده های آموزشی با اطلاعات مربوط به کلاسی که هر مبنا (یا بردار) به آن تعلق دارد اعمال می شود و با انجام این کار یک ابر صفحه (یعنی یک شکاف یا حاشیه هندسی ایجاد می کند.) دو کلاس را از هم جدا می کند.
SVM چگونه حاشیه را محاسبه می کند؟
حاشیه به عنوان فاصله عمود از خط تا فقط نزدیکترین نقاط محاسبه می شود. فقط این نکات در تعریف خط و ساخت طبقه بندی کننده مرتبط هستند. به این نقاط بردارهای پشتیبانی می گویند.
هیپرپلان جداکننده بهینه در SVM چیست؟
در یک مسئله طبقه‌بندی باینری، با توجه به مجموعه داده‌های قابل جداسازی خطی، ابرصفحه جداکننده بهینه است که همه داده‌ها را به درستی طبقه‌بندی می‌کند در حالی که از نقاط داده دورتر است… ابر صفحه جداکننده بهینه یکی از ایده های اصلی پشت ماشین های بردار پشتیبان است.
