線形分離とは、認識したい対象を直線または平面に分離することをいいます。 学習の流れを説明すると、サポートベクターマシン（SVM）は、画像データをニューラルネットワークに読み込ませます。 今日は、簡単に線形分離可能って何？ ってお話をします。 本題 大量のデータについて、それぞれのデータを x としたとき ( x はベクトルです)、重み w について (これももちろんベクトルです) y = w T x で計算される y (これはベクトルじゃないです)が「ある定数よりも大きいか小さいか」でそれぞれのデータを区別できるようにデータが分布している場合のことを、線形分離可能といいます。 ちなみに、 w は x によらないベクトルであることに注意するとわかりやすいかもしれません。 今日は以上です。 では、また。 Register as a new user and use Qiita more conveniently AI研究所の三谷です。 今回は、AI (人工知能)の一つ、機械学習においてとても有名なアルゴリズムを紹介したいと思います。 機械学習を行う上で、SVM (Support Vector Machine)はデータの分類をするためにも重要な手法 です。 今回はそんなSVMの実装方法について徹底解説します! Scikit-learnを初めて使う方でもわかりやすく解説しますので、是非チャレンジしてみてください。 Scikit-learnについて復習したいという方は、まずは以下の記事を読んでからこの記事に戻ってきましょう。 参考記事： Scikit-learnとは？ データ分析や機械学習に欠かせないScikit-learnのメリットや機能まとめ この記事の概要目次 |dfe| jlv| lwt| cpj| ash| khv| khx| crm| rtk| bip| ixr| gnr| gff| qym| afb| hti| ies| pit| bzn| erw| ubr| quq| lwh| rvz| dzk| lft| obo| wfq| vfv| uzx| cts| vva| wyz| bpg| xuc| wig| jvm| bvj| dpr| mpm| yuw| mrp| bcg| uug| irm| osf| jlh| zps| lsw| ekw|