[mis, 경영정보시스템] SVM(Sector Vector Machine)
![[mis, 경영정보시스템] SVM(Sector Vector Machine)-1](http://images.happyhaksul.com/thumb/348/347149-0001.gif)
![[mis, 경영정보시스템] SVM(Sector Vector Machine)-2](http://images.happyhaksul.com/thumb/348/347149-0002.gif)
![[mis, 경영정보시스템] SVM(Sector Vector Machine)-3](http://images.happyhaksul.com/thumb/348/347149-0003.gif)
분야
hwp2. SVM의 유용성
3. SVM의 개념적 특징
4. SVM의 분석방법
5. LibSVM이란?
6. LibSVM의특징
서포트 벡터 머신(영어: support vector machine, SVM)은 통계 분류와 회귀 분석을 쓰는, 지도 학습 방법을 가리키는 말이다. 이는 커널 트릭을 써서 비선형 분류 문제에 선형 분류의 테크닉을 적용한다. 서포트 벡터 머신은, 현재 알려져 있는 많은 수법 중에서 가장 인식 성능이 뛰어난 학습 모델의 하나이다. 서포트 벡터 머신이 뛰어난 인식 성능을 발휘할 수 있는 이유는, 미학습 데이터에 대해서 높은 식별 성능을 얻기 위한 궁리가 있는 것이다. 서포트 벡터 머신은, 선형 문턱 소자를 이용하고, 2 클래스의 패턴 식별기를 구성하는 수법이다. 훈련 샘플로부터 「마진 최대화」라고 하는 기준으로 선형 문턱 소자의 파라미터를 학습한다. 1960년대에 Vapnik등이 고안 한 Optimal Separating Hyperplane를 기원으로 하고 있어, 1990년대가 되어 커넬 학습법과 조합한 비선형 분류 수법으로 확장되었다.
학습데이터와 범주 정보의 학습 진단 대상으로 학습과정에서 얻어진 확률분포를 이용하여 의사결정함수를 추정한 후 이 함수에 따라 새로운 데이터를 이원분류 한다.
분류 (classification) 와 회귀 (regression) 에 응용할 수 있는 지도학습 (supervised learning) 의 일종이라고 할 수 있다.
2. SVM의 유용성
v명백한 이론적 근거에 기반하므로 해석이 용이하며, 조정할 파라미터의 수가 적어서 간단하게 학습에 영향을 미치는 요인들 규명이 가능하다. 실제 응용에 있어서 인공신경망 수준의 높은 예측력을 보이고 있으며 적은 학습자료로 신속하게 분별학습을 수행하는 것을 가능하게 해준다.
3. SVM의 개념적 특징
ci 는 1이나 -1의 값을 갖는 변수로 가 속한 클래스를 의미하며, 는 p차원 실수벡터이다.
H3은 두 클래스의 점들을 제대로 분류하고 있지 않다. H1과 H2는 두 클래스의 점들을 분류하는데, H2가 H1보다 더 큰 마진을 갖고 분류하는 것을 확인할 수 있다.신경망을 포함하여 많은 학습 알고리즘들은, 이러한 학습데이터가 주어졌을 때 ci = 1인 점들과 ci = − 1인 점들을 분리하는 hyperplane을 찾아내는 것이 공통의 목표인데, SVM이 다른 알고리즘과 차별화되는 특징은 단지 점들을 분리하는 hyperplane을 찾는 것으로 끝나는 것이 아니라, 점들을 분리할 수 있는 수많은 후보평면들 가운데 마진이 최대가 되는(maximum-margin) hyperplane을 찾는다는 것이다. 여기서 margin이란 hyperplane으로부터 각 점들에 이르는 거리의 최소값을 말하는데, 이 margin을 최대로 하면서 점들을 두 클래스로 분류하려면, 결국 클래스1에 속하는 점들과의 거리 중 최소값과 클래스 -1에 속하는 점들과의 거리 중
