SVM(지원 벡터 머신)의 사례

1. 목표

이전 Machine Learning 블로그에서 SVM(Support Vector Machines)의 자세한 소개에 대해 논의했습니다. 이제 얼굴 감지, 필기 인식, 이미지 분류, 생체 정보 등과 같은 SVM의 실제 애플리케이션에 대해 알아보겠습니다.

2. 실제 SVM의 애플리케이션

우리가 살펴본 바와 같이, SVM은 지도 학습 알고리듬에 의존한다. SVM을 사용하는 목적은 보이지 않는 데이터를 올바르게 분류하는 것입니다. SVM에는 여러 필드에 여러 애플리케이션이 있습니다. SVM의 몇 가지 공통 애플리케이션은

• 면 감지 - SVMc는 이미지의 일부를 면과 비면으로 분류하고 면 주위에 사각형 경계를 만듭니다.
• 텍스트 및 하이퍼텍스트 분류 - SVM은 유도 및 변환 모델에 대해 텍스트 및 하이퍼텍스트 분류를 허용한다. 이들은 교육 데이터를 사용하여 문서를 다른 범주로 분류합니다. 생성된 점수를 기준으로 분류한 다음 임계값과 비교합니다.
• 이미지 분류 - SVM을 사용하면 이미지 분류에 대한 검색 정확도가 향상됩니다. 기존의 쿼리 기반 검색 기술에 비해 정확도가 향상되었다.
• 생물정보학 - 단백질 분류와 암 분류를 포함한다. 우리는 유전자, 유전자 및 기타 생물학적 문제에 기초하여 환자의 분류를 식별하기 위해 SVM을 사용한다.
• 단백질 접이식 및 원격 호몰로지 감지 - 단백질 원격 호몰로지 감지를 위해 SVM 알고리즘을 적용합니다.
• 필기 인식 - SVM을 사용하여 널리 사용되는 필기 문자를 인식합니다.
• 일반화된 예측 제어(GPC) - SVM 기반 GPC를 사용하여 유용한 매개 변수로 혼란스러운 역학을 제어한다.

2.1. 얼굴 감지

이미지의 일부를 면과 면으로 분류합니다. 여기에는 2등급 면(+1)과 비대면(-1)의 nxn 픽셀의 교육 데이터가 포함됩니다. 그런 다음 각 픽셀에서 얼굴 또는 비 표면으로 형상을 추출한다. 픽셀 밝기를 기준으로 면 주위에 사각형 경계를 만들고 동일한 프로세스를 사용하여 각 이미지를 분류합니다.

신경망의 학습 규칙에 대해 논의해 봅시다.

2.2. 텍스트 및 하이퍼텍스트 분류

유도 모델과 변환 모델 모두에 대해 텍스트 및 하이퍼텍스트 분류를 허용합니다. 교육 데이터를 사용하여 문서를 뉴스 기사, 전자 메일 및 웹 페이지와 같은 여러 범주로 분류합니다. 예:

• 뉴스 기사를 "비즈니스"와 "영화"로 분류
• 웹 페이지를 개인 홈 페이지 등으로 분류

각 문서에 대해 점수를 계산하고 미리 정의된 임계값과 비교합니다. 문서 점수가 임계값을 초과하면 문서는 특정 범주로 분류됩니다. 임계값을 초과하지 않으면 일반 문서로 간주합니다. 각 문서에 대한 점수를 계산하고 학습된 임계값과 비교하여 새 인스턴스를 분류합니다.

2.3. 이미지 분류

SVM은 더 높은 검색 정확도로 이미지를 분류할 수 있습니다. 기존 쿼리 기반 미세화 체계보다 정확도가 높다.

2.4. 생물정보학

계산 생물학 분야에서, 단백질 원격 호몰로지 검출은 일반적인 문제이다. 이 문제를 해결하는 가장 효과적인 방법은 SVM을 사용하는 것입니다. 지난 몇 년 동안 SVM 알고리듬은 단백질 원격 호몰로지 탐지에 광범위하게 적용되었다. 이러한 알고리듬은 생물학적 시퀀스를 식별하는 데 널리 사용되어 왔다. 예를 들어, 유전자의 분류, 그들의 유전자에 기초한 환자들, 그리고 많은 다른 생물학적 문제들.

2.5. 단백질 접힘 및 원격 호몰로지 검출

단백질 원격 호몰로지 검출은 계산 생물학에서 중요한 문제이다. SVM에 대한 지도 학습 알고리듬은 원격 호몰로지 탐지에 가장 효과적인 방법 중 하나이다. 이러한 방법의 성능은 단백질 시퀀스를 모델링하는 방법에 따라 달라집니다. 둘 사이의 커널 함수를 계산하는 데 사용되는 메서드입니다.

ML의 커널 기능에 대해 알고 계십니까?

2.6. 필기 인식

또한 SVM을 사용하여 데이터 입력 및 문서의 서명 검증에 사용되는 손으로 쓴 문자를 인식할 수 있습니다.

2.7. 지구환경과학

우리는 지리(공간) 및 시공간 환경 데이터 분석 및 모델링 시리즈에 SVM을 사용한다.

2.8. 일반화된 예측 제어

우리는 유용한 매개 변수로 혼란스러운 역학을 제어하기 위해 SVM 기반 GPC를 사용한다. 시스템 제어에 탁월한 성능을 제공합니다. 이 시스템은 대상의 국소 안정화와 관련하여 혼란스러운 역학을 따른다. 혼란스러운 시스템을 제어하기 위해 SVM을 사용하면 다음과 같은 이점이 있습니다.

• 비교적 작은 매개 변수 알고리즘을 사용하여 혼돈 시스템을 대상으로 리디렉션 할 수 있습니다.
• 혼란스러운 시스템에 대한 대기 시간을 줄입니다.
• 시스템의 성능을 유지합니다.

3. 결론

따라서, 우리는 SVM이 신뢰할 수 있는 예측을 할 수 있을 뿐만 아니라 중복 정보를 줄일 수 있다는 결론을 내린다. 또한 SVM은 다른 접근 방식에 의해 얻어진 결과와 유사한 결과를 얻었다.