- در مورد کرنل همانطور که در
مطلب قبل هم صحبت شد، میتوان گفت که Kernel عملا نگاشتی را بین خط تفکیک کننده نمونههای کلاسها با ابرصفحه جداکننده برقرار میکند و با این شرایط میتوان SVM را به نوعی غیر خطی در نظر گرفت. مثلا در تصویر زیر با پارامتر
، فضای اولیه
دادههای ما را به فضای ویژگی هایی نگاشت میشود که میتوان با همان SVM خطی دسته بندی کرد (+ )
- اگر منظورتان از الگوریتم یادگیری روش Sequential Minimal Optimization است میتوان گفت SMO یکی از روشهای متداول و سریع برای آموزش SVM به حساب میآید که عملا یک مسئله بهینه سازی است که به دنبال بهترین ضرایب همان کرنل است (
+)
- درباره پیشنهادتون در خصوص استفاده از فضای نام Accord.Imaging هم ضمن تشکر، میتوان گفت که فعلا قصد ورود به فضای نام ی از آکورد دات نت به جز Accord.MachineLearning نداریم ولی در آینده حتما معرفی و استفاده خواهند شد.