Avec l'utilisation des ordinateurs, il y avait un besoin pour un système plus avancé capable de classer de grandes quantités d'informations; Voilà comment un groupe de mathématiciens est venu avec Support Vector Machine (SVM).
La machine à vecteurs de support est une procédure mathématique utilisé par l'ordinateur pour classer de grandes quantités d'informations. Cette méthode est plus fiable que les anciennes méthodes.
Pour être en mesure de comprendre comment la machine travaille à vecteurs de support, vous devez d'abord comprendre que la classification est sur la formation et les essais des données. Un Support Vector Machine remplit deux fonctions, la classification et la régression. La fonction de classification est le travail de trouver une surface hyper pour les entrées. L'hyper divise ensuite le positif à des exemples négatifs. Par conséquent, la sélection se mettre la surface hyper aussi près que possible des exemples positifs ou négatifs.
La façon la plus simple de la formation de la machine à vecteurs de support est l'utilisation de l'optimisation Minimal séquentielle qui est la plus rapide et la méthode simple.
Les algorithmes utilisés dans la machine à vecteurs de support aider la machine pour donner les sorties en probabilité a posteriori. Machines à vecteurs de support sont utilisés pour résoudre le problème de la classification pour agrandir l'information.
Ce système est venu de résoudre le problème de la classification appelée matrice de données rares, de sorte que les informations classifiées a parfois un ensemble de mots manquants. La machine à vecteurs de support est un moteur qui fait en sorte d'obtenir les données beaucoup plus rapidement avec plus d'efficacité.
Toutefois, la machine à vecteurs de support a ses propres inconvénients.
La plupart des ordinateurs ne disposent pas de la mémoire pour supporter la machine de vecteur à cause des inconvénients à forte intensité de texte avec les numéros de classification du texte trouvé sur le site.
Une des solutions que l'ordinateur utilise pour classer les données est Chunking. Chunking est le processus où les problèmes sont divisés en morceaux, ce qui rend l'ordinateur capable de supporter les données. Les techniques utilisées chunking par les machines à vecteurs de support sont le SMO ou la lumière SVM.
Cependant, le problème avec Chunking est que la vitesse des classificateurs devient faible.
Même avec ces quelques revers, la mac