Consulte a imagem acima, claramente um círculo pode separar as duas classes (imagem à esquerda). Por que se esforçar tanto para mapeá-lo para uma função para torná-lo linearmente separável (imagem à direita)?
Alguém pode explicar? Eu realmente não consegui encontrar nada na Web ou no YouTube sobre o porquê
Respostas:
Bem, essa é a idéia por trás das máquinas de vetores de suporte! O svm está procurando por um hiperplano que separa as classes (por que o nome), e é claro que isso pode ser feito de maneira mais eficaz se os pontos forem linearmente separáveis (isso não é um ponto profundo, é um resumo da idéia completa). No exemplo que você mostra, o ponto está em anéis anulares concêntricos, que não podem ser separados por nenhum plano, mas ao introduzir uma nova variável RADIUS - distância do centro - você obtém uma separação linear completa.
Por que é desejável ter separabilidade linear no SVM?
SVCs são inerentemente uma técnica linear. Eles encontram limites lineares separando (da melhor maneira possível) diferentes classes. Se não houver um limite linear natural para o problema, as opções são usar uma técnica diferente ou usar SVCs com recursos transformados em um espaço onde realmente existe um limite linear.
Consulte a imagem acima, claramente um círculo pode separar as duas classes (imagem à esquerda). Por que se esforçar tanto para mapeá-lo para uma função para torná-lo linearmente separável (imagem à direita)?
Este é um exemplo clássico. As classes de dados são separadas por um círculo, mas um SVC não pode encontrar círculos diretamente. No entanto, se os dados forem transformados usando uma função de base radial , no espaço resultante, as classes serão separadas por um limite linear.
Não responda diretamente à sua pergunta, mas,
É importante ter em mente a diferença entre expansão de base e método Kernel / SVM .
Podemos "expandir dados" usando a expansão básica de diferentes maneiras. Por exemplo, expansão polinomial, splines, séries de Fourier, etc. Essa expansão básica tem pouco a ver com SVM, truque do kernel.
O SVM com kernel polinomial fornece maneiras de "efeito computacional" para fazer a expansão da base polinomial. Truque do Kernel de pesquisa para obter detalhes.
Você está certo. Quando o campo diz "separável linearmente", significa que os dados devem ser "diferenciáveis": existe uma função de filtragem que você pode sobrepor ao conjunto de dados para criar dois ou mais agrupamentos distintos (com alguma pequena tolerância a erros).
Isso é tudo. Mas você deve apontar para os acadêmicos para limpar seu idioma.