Support Vector Machines - Histórico de revisões

Up201107661: /* Quando devo optar SVM e qual o melhor Kernel? */

2016-03-14T18:06:38Z

Quando devo optar SVM e qual o melhor Kernel?

← Revisão anterior		Revisão das 19h06min de 14 de março de 2016
Linha 13:		Linha 13:


	=Quando devo optar SVM e qual o melhor Kernel?=		=Quando devo optar pela SVM e qual o melhor Kernel?=
	As SVM são óptimas para dados numéricos contínuos como por exemplo no caso dos datasets de http://www.bcdr.eu/, onde as variáveis contêm a situação clínica e o resultado de diversas médias e cálculos feitos a partir das mamografias dos vários pacientes. A escolha do kernel para este ou outro dataset é sempre algo que implica varias tentativas pois mesmo existindo recomendações para quais as situações em que cada kernel deve ser utilizado existem sempre excepções, e diferentes parametros que podem retornar no mesmo kernel resultados completamente diferentes. É importante ter em atenção também que o kernel escolhido vai ser o que mais vai influenciar a disposição dos objectos na dimensão em que a SVM calcula o hiperplano.		As SVM são óptimas para dados numéricos contínuos como por exemplo no caso dos datasets de http://www.bcdr.eu/, onde as variáveis contêm a situação clínica e o resultado de diversas médias e cálculos feitos a partir das mamografias dos vários pacientes. A escolha do kernel para este ou outro dataset é sempre algo que implica varias tentativas pois mesmo existindo recomendações para quais as situações em que cada kernel deve ser utilizado existem sempre excepções, e diferentes parametros que podem retornar no mesmo kernel resultados completamente diferentes. É importante ter em atenção também que o kernel escolhido vai ser o que mais vai influenciar a disposição dos objectos na dimensão em que a SVM calcula o hiperplano.

Up201107661: /* Quando devo optar pelas SVM e qual o melhor Kernel? */

2016-03-14T18:05:59Z

Quando devo optar pelas SVM e qual o melhor Kernel?

← Revisão anterior		Revisão das 19h05min de 14 de março de 2016
Linha 15:		Linha 15:
	=Quando devo optar SVM e qual o melhor Kernel?=		=Quando devo optar SVM e qual o melhor Kernel?=
	As SVM são óptimas para dados numéricos contínuos como por exemplo no caso dos datasets de http://www.bcdr.eu/, onde as variáveis contêm a situação clínica e o resultado de diversas médias e cálculos feitos a partir das mamografias dos vários pacientes. A escolha do kernel para este ou outro dataset é sempre algo que implica varias tentativas pois mesmo existindo recomendações para quais as situações em que cada kernel deve ser utilizado existem sempre excepções, e diferentes parametros que podem retornar no mesmo kernel resultados completamente diferentes. É importante ter em atenção também que o kernel escolhido vai ser o que mais vai influenciar a disposição dos objectos na dimensão em que a SVM calcula o hiperplano.		As SVM são óptimas para dados numéricos contínuos como por exemplo no caso dos datasets de http://www.bcdr.eu/, onde as variáveis contêm a situação clínica e o resultado de diversas médias e cálculos feitos a partir das mamografias dos vários pacientes. A escolha do kernel para este ou outro dataset é sempre algo que implica varias tentativas pois mesmo existindo recomendações para quais as situações em que cada kernel deve ser utilizado existem sempre excepções, e diferentes parametros que podem retornar no mesmo kernel resultados completamente diferentes. É importante ter em atenção também que o kernel escolhido vai ser o que mais vai influenciar a disposição dos objectos na dimensão em que a SVM calcula o hiperplano.





	= Referências =		= Referências =
	https://www.reddit.com/r/MachineLearning/comments/15zrpp/please_explain_support_vector_machines_svm_like_i/		https://www.reddit.com/r/MachineLearning/comments/15zrpp/please_explain_support_vector_machines_svm_like_i/
	https://www.quantstart.com/articles/Support-Vector-Machines-A-Guide-for-Beginners		https://www.quantstart.com/articles/Support-Vector-Machines-A-Guide-for-Beginners

Up201107661 em 18h05min de 14 de março de 2016

2016-03-14T18:05:31Z

← Revisão anterior		Revisão das 19h05min de 14 de março de 2016
Linha 1:		Linha 1:
	As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas. ~~Uma~~ forma rápida ~~de fazer~~ um classificador e utiliza-lo é através da plataforma [[WEKA]].		As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas. No entanto dada a sua complexidade existem varias variáveis que podem e devem ser ajustadas a quando da construção do classificador e a compreensão das mesmas necessita um estudo aprofundado o que implica que seja muito difícil por vezes de obter uma justificação clara para o classificador obtido. No entanto se utilizarmos as ferramentas certas e os valores por defeito podemos de forma rápida construir um classificador e utiliza-lo, por exemplo através da plataforma [[WEKA]].
	=A Ideia por detrás da SVM=		=A Ideia por detrás da SVM=
	A estratégia que a SVM implementa para construir um classificador é bastante simples:		A estratégia que a SVM implementa para construir um classificador é bastante simples:
Linha 11:		Linha 11:
	Dado que os dados nunca estão arranjados da forma que desejamos é necessário acrescentar dimensões, o problema disso é que dado que todas as contas feitas numa svm são produtos vectoriais , acrescentar uma dimensão tem consequências gravíssimas na performance do algoritmo. Para ultrapassar esse problema usa-se uma técnica chamada de Kernel Trick.		Dado que os dados nunca estão arranjados da forma que desejamos é necessário acrescentar dimensões, o problema disso é que dado que todas as contas feitas numa svm são produtos vectoriais , acrescentar uma dimensão tem consequências gravíssimas na performance do algoritmo. Para ultrapassar esse problema usa-se uma técnica chamada de Kernel Trick.
	Um [[kernel]] é uma forma de aumentar as dimensões sem ter que aumentar a complexidade, para isso é utilizada uma formula como a do [[Kernel Medico]] que faz a multiplicação vectorial de todos os objectos para uma matriz para assim a SVM utilizar estes resultados no calculo dos hiperplanos e ou durante a classificação.		Um [[kernel]] é uma forma de aumentar as dimensões sem ter que aumentar a complexidade, para isso é utilizada uma formula como a do [[Kernel Medico]] que faz a multiplicação vectorial de todos os objectos para uma matriz para assim a SVM utilizar estes resultados no calculo dos hiperplanos e ou durante a classificação.


			=Quando devo optar SVM e qual o melhor Kernel?=
			As SVM são óptimas para dados numéricos contínuos como por exemplo no caso dos datasets de http://www.bcdr.eu/, onde as variáveis contêm a situação clínica e o resultado de diversas médias e cálculos feitos a partir das mamografias dos vários pacientes. A escolha do kernel para este ou outro dataset é sempre algo que implica varias tentativas pois mesmo existindo recomendações para quais as situações em que cada kernel deve ser utilizado existem sempre excepções, e diferentes parametros que podem retornar no mesmo kernel resultados completamente diferentes. É importante ter em atenção também que o kernel escolhido vai ser o que mais vai influenciar a disposição dos objectos na dimensão em que a SVM calcula o hiperplano.

Up201107661: Up201107661 moveu a página Suport Vector Machines para Support Vector Machines: Erro

2016-03-14T16:35:12Z

Up201107661 moveu a página Suport Vector Machines para Support Vector Machines: Erro

← Revisão anterior	Revisão das 17h35min de 14 de março de 2016
(Sem diferenças)

Up201107661 em 15h36min de 14 de março de 2016

2016-03-14T15:36:04Z

← Revisão anterior		Revisão das 16h36min de 14 de março de 2016
Linha 1:		Linha 1:
	As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas. Uma forma rápida de fazer um classificador e utiliza-lo é através da plataforma [[~~Weka~~]].		As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas. Uma forma rápida de fazer um classificador e utiliza-lo é através da plataforma [[WEKA]].
	=A Ideia por detrás da SVM=		=A Ideia por detrás da SVM=
	A estratégia que a SVM implementa para construir um classificador é bastante simples:		A estratégia que a SVM implementa para construir um classificador é bastante simples:

Up201107661 em 15h35min de 14 de março de 2016

2016-03-14T15:35:10Z

← Revisão anterior		Revisão das 16h35min de 14 de março de 2016
Linha 1:		Linha 1:
	As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas.		As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas. Uma forma rápida de fazer um classificador e utiliza-lo é através da plataforma [[Weka]].
	=A Ideia por detrás da SVM=		=A Ideia por detrás da SVM=
	A estratégia que a SVM implementa para construir um classificador é bastante simples:		A estratégia que a SVM implementa para construir um classificador é bastante simples:

Up201107661: /* A Ideia por detrás da SVM */

2016-03-14T15:01:09Z

A Ideia por detrás da SVM

← Revisão anterior		Revisão das 16h01min de 14 de março de 2016
Linha 3:		Linha 3:
	A estratégia que a SVM implementa para construir um classificador é bastante simples:		A estratégia que a SVM implementa para construir um classificador é bastante simples:
	Se tivermos x bolas de duas cores [[Ficheiro:bolas1.png\|50px]] podemos simplesmente colocar uma linha de forma a que se separem [[Ficheiro:bolas2.png\|50px]], isto permite-nos saber a partir desta informação que bolas acima da linha são azuis e bolas abaixo são vermelhas, o problema é que a linha pode estar em muitas posições diferentes e aparentemente esta não é a melhor [[Ficheiro:bolas3.png\|50px]] e por isso recolocamos a linha [[Ficheiro:bolas4.png\|50px]] de forma a que o classificador seja preciso [[Ficheiro:bolas5.png\|50px]].		Se tivermos x bolas de duas cores [[Ficheiro:bolas1.png\|50px]] podemos simplesmente colocar uma linha de forma a que se separem [[Ficheiro:bolas2.png\|50px]], isto permite-nos saber a partir desta informação que bolas acima da linha são azuis e bolas abaixo são vermelhas, o problema é que a linha pode estar em muitas posições diferentes e aparentemente esta não é a melhor [[Ficheiro:bolas3.png\|50px]] e por isso recolocamos a linha [[Ficheiro:bolas4.png\|50px]] de forma a que o classificador seja preciso [[Ficheiro:bolas5.png\|50px]].
	No entanto a realidade é que casos assim não existem, na verdade todos os casos que uma SVM classifica são sempre uma mistura de bolas azuis e vermelhas [[Ficheiro:bolas6.png\|50px]] e por isso não existe nenhuma linha que separe estes casos [[Ficheiro:bolas7.png\|50px]] mas de certeza que existe um plano! É por isso aumentamos uma (geralmente varias dimensões diferentes) dimensão para assim encontrar o plano que divide as bolas.[[Ficheiro:bolas8.png\|50px]] Este passo é o mais complicado de entender pois sabemos que em duas dimensões o que é uma recta e em 3 dimensões um plano mas e em 4 ou em 6,7,20,50,1000 dimensões? É por isso que chamamos de hiperplano ao que separa as bolas vermelhas das azuis.\p		No entanto a realidade é que casos assim não existem, na verdade todos os casos que uma SVM classifica são sempre uma mistura de bolas azuis e vermelhas [[Ficheiro:bolas6.png\|50px]] e por isso não existe nenhuma linha que separe estes casos [[Ficheiro:bolas7.png\|50px]] mas de certeza que existe um plano! É por isso aumentamos uma (geralmente varias dimensões diferentes) dimensão para assim encontrar o plano que divide as bolas.[[Ficheiro:bolas8.png\|50px]] Este passo é o mais complicado de entender pois sabemos que em duas dimensões o que é uma recta e em 3 dimensões um plano mas e em 4 ou em 6,7,20,50,1000 dimensões? É por isso que chamamos de hiperplano ao que separa as bolas vermelhas das azuis.

	=Como encontrar o hiperplano=		=Como encontrar o hiperplano=

Up201107661 em 15h00min de 14 de março de 2016

2016-03-14T15:00:18Z

← Revisão anterior		Revisão das 16h00min de 14 de março de 2016
Linha 13:		Linha 13:


			= Referências =
	https://www.reddit.com/r/MachineLearning/comments/15zrpp/please_explain_support_vector_machines_svm_like_i/		https://www.reddit.com/r/MachineLearning/comments/15zrpp/please_explain_support_vector_machines_svm_like_i/
	https://www.quantstart.com/articles/Support-Vector-Machines-A-Guide-for-Beginners		https://www.quantstart.com/articles/Support-Vector-Machines-A-Guide-for-Beginners

Up201107661 em 14h59min de 14 de março de 2016

2016-03-14T14:59:45Z

@@ Linha 1: / Linha 1: @@
-As Support Vector Machines (SVM) é uma das técnicas mais utilizadas em [[Data Mining]]  quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas.
+As Support Vector Machines (SVM) são uma das técnicas mais utilizadas em [[Data Mining]]  quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas.
 A estratégia que a SVM implementa para construir um classificador é bastante simples:
 Se tivermos x bolas de duas cores [[Ficheiro:bolas1.png|50px]] podemos simplesmente colocar uma linha de forma a que se separem [[Ficheiro:bolas2.png|50px]], isto permite-nos saber a partir desta informação que bolas acima da linha são azuis e bolas abaixo são vermelhas, o problema é que a linha pode estar em muitas posições diferentes e aparentemente esta não é a melhor [[Ficheiro:bolas3.png|50px]] e por isso recolocamos a linha [[Ficheiro:bolas4.png|50px]] de forma a que o classificador seja preciso [[Ficheiro:bolas5.png|50px]].
-No entanto a realidade é que casos assim não existem, na verdade todos os casos que uma SVM classifica são sempre uma mistura de bolas azuis e vermelhas  [[Ficheiro:bolas6.png|50px]]  e por isso não existe nenhum linha que separe estes casos [[Ficheiro:bolas7.png|50px]] mas de certeza  que existe um plano! É por isso aumentamos uma (geralmente varias dimensões diferentes) dimensão para assim encontrar o plano que divide as bolas.[[Ficheiro:bolas8.png|50px]] Este passo é o mais complicado de entender pois sabemos que em duas dimensões o que é uma recta e e m 3 dimensões um plano mas e em 4 ou em 6,7,20,50,1000 dimensões? É por isso que chamamos de hiperplano ao que separa as bolas vermelhas das azuis.
+No entanto a realidade é que casos assim não existem, na verdade todos os casos que uma SVM classifica são sempre uma mistura de bolas azuis e vermelhas  [[Ficheiro:bolas6.png|50px]]  e por isso não existe nenhuma linha que separe estes casos [[Ficheiro:bolas7.png|50px]] mas de certeza  que existe um plano! É por isso aumentamos uma (geralmente varias dimensões diferentes) dimensão para assim encontrar o plano que divide as bolas.[[Ficheiro:bolas8.png|50px]] Este passo é o mais complicado de entender pois sabemos que em duas dimensões o que é uma recta e em 3 dimensões um plano mas e em 4 ou em 6,7,20,50,1000 dimensões? É por isso que chamamos de hiperplano ao que separa as bolas vermelhas das azuis.\p

Up201107661: Criou página com: 'As Support Vector Machines (SVM) é uma das técnicas mais utilizadas em Data Mining quando é necessário construir um classificador para dados constituídos maioritari...'

2016-03-14T12:50:05Z

Criou página com: 'As Support Vector Machines (SVM) é uma das técnicas mais utilizadas em Data Mining quando é necessário construir um classificador para dados constituídos maioritari...'

Página nova

As Support Vector Machines (SVM) é uma das técnicas mais utilizadas em [[Data Mining]] quando é necessário construir um classificador para dados constituídos maioritariamente por variáveis numéricas continuas/discretas.
A estratégia que a SVM implementa para construir um classificador é bastante simples:
Se tivermos x bolas de duas cores [[Ficheiro:bolas1.png|50px]] podemos simplesmente colocar uma linha de forma a que se separem [[Ficheiro:bolas2.png|50px]], isto permite-nos saber a partir desta informação que bolas acima da linha são azuis e bolas abaixo são vermelhas, o problema é que a linha pode estar em muitas posições diferentes e aparentemente esta não é a melhor [[Ficheiro:bolas3.png|50px]] e por isso recolocamos a linha [[Ficheiro:bolas4.png|50px]] de forma a que o classificador seja preciso [[Ficheiro:bolas5.png|50px]].
No entanto a realidade é que casos assim não existem, na verdade todos os casos que uma SVM classifica são sempre uma mistura de bolas azuis e vermelhas [[Ficheiro:bolas6.png|50px]] e por isso não existe nenhum linha que separe estes casos [[Ficheiro:bolas7.png|50px]] mas de certeza que existe um plano! É por isso aumentamos uma (geralmente varias dimensões diferentes) dimensão para assim encontrar o plano que divide as bolas.[[Ficheiro:bolas8.png|50px]] Este passo é o mais complicado de entender pois sabemos que em duas dimensões o que é uma recta e e m 3 dimensões um plano mas e em 4 ou em 6,7,20,50,1000 dimensões? É por isso que chamamos de hiperplano ao que separa as bolas vermelhas das azuis.