الگوریتم های یادگیری ماشین

فاصله بین ابر صفحه و نزدیکترین نقاط داده حاشیه نامیده می‌شود. بهترین یا بهینه‌ترین هایپرپلنی که می‌تواند این دو کلاس را از هم جدا کند، خطی است که بیشترین حاشیه را دارد. فقط این نکات در تعریف هایپرپلن و در ساخت طبقه‌بندی‌کننده مرتبط هستند. به این نقاط، بردارهای پشتیبان می‌گویند. آنها هایپرپلن را پشتیبانی یا تعریف می‌کنند. در عمل، از یک الگوریتم بهینه‌سازی برای یافتن مقادیر ضرایبی استفاده می‌شود که حاشیه را به حداکثر می‌رساند.

SVM ممکن است یکی از قدرتمندترین طبقه‌بندی‌کننده‌های خارج از جعبه باشد و ارزش امتحان کردن روی مجموعه داده‌های شما را داشته باشد.

۹. بگینگ و جنگل تصادفی

جنگل تصادفی یکی از محبوب‌ترین و قدرتمندترین الگوریتم های یادگیری ماشین است. این یک نوع الگوریتم یادگیری ماشین گروهی است که Bootstrap Aggregation یا کیسه‌بندی (bagging) نامیده می‌شود.

Bootstrap Aggregation یک روش آماری قدرتمند برای تخمین کمیت از نمونه داده است؛ مانند یک میانگین. شما نمونه‌های زیادی از داده‌های خود را می گیرید، میانگین را محاسبه می‌کنید، سپس تمام مقادیر میانگین خود را میانگین می‌گیرید تا تخمین بهتری از میانگین واقعی به شما ارائه دهد.

در کیسه‌بندی یا بگینگ، از همین رویکرد استفاده می‌شود، اما در عوض برای تخمین کل مدل‌های آماری، معمولاً درخت‌های تصمیم‌گیری استفاده می‌شوند. نمونه‌های متعددی از داده های آموزشی شما گرفته می‌شود، سپس برای هر نمونه داده مدل‌هایی ساخته می‌شود. زمانی که نیاز به پیش‌بینی برای داده‌های جدید دارید، هر مدل یک پیش‌بینی می‌کند و پیش‌بینی‌ها میانگین می‌شوند تا تخمین بهتری از مقدار خروجی واقعی ارائه کنند.