Now I tricked you,
it's actually this line over here and you might have gotten this right.
Now this does maximize the margin, in some sense to all the data points.
But it makes a classification error.
The red x is on the wrong side of the green line.
Whereas in this case over here, all the points are classified correctly.
Support vector machine puts first and
foremost the correct classification of the labels, and then maximize the margin.
If we didn't care about correct classification,
this line back here has an even larger margin to all the training examples.
That's obviously the wrong line.
So for support vector machines, you are trying to classify correctly, and
subject to that constraint, you maximize the margin.
،والآن خدعتكم
.والحقيقة أنه الخط الذي هنا وربما خمنتم الإجابة الصحيحة
.والآن هذه الطريقة بالفعل تزيد من الهامش الخاص بكل نقاط البيانات إلى حد ما
وسيؤدي هذا إلى حدوث خطأ في التصنيف؛
.فعلامة x الحمراء في الجانب غير الصحيح من الخط الأخضر
.لكن في هذه الحالة، يتم تصنيف النقاط بصورة صحيحة
يضع جهاز متجهات الدعم
.الأولوية للتصنيف الصحيح للتسميات، مما يعمل على زيادة الهامش
،فإذا لم نراع التصنيف الصحيح
.فإن هذا الخط الذي في الخلف سيكون لديه هامش أكبر لكل أمثلة التدريب
.والواضح أن هذا هو الخط الخاطئ
لذا بالنسبة لجهاز متجهات الدعم فإنك تحاول التصنيف بصورة صحيحة
.وبسبب هذا القيد، فإنك تعمل على تكبير الهامش
これはひっかけ問題でした。
正解はこの線です。正解を選べたでしょうか?
この線は確かに全てのデータに対し、marginを最大化しています。
しかし、分類エラーとなります。
分割線のこちら側に、間違って赤い×が入ってしまっているからです。
一方この線は、全てのデータを正しく分類できています。
SVMは最初に正しく分類を行い、
次にmarginの最大化を行うのです。
もし正しく分類することを気にしなければ
例えばこのような線がmarginを最大化するものになりかねません。
しかし、この線は明らかに不適切です。
ですからSVMは最初に正しく分類を行い
その上で、marginの最大化を行います。
Enganei você,
na verdade, é esta linha aqui e talvez você tenha acertado.
Isso maximiza a margem, de certa forma, para todos os pontos de dados.
Mas cria uma erro de classificação.
O x vermelho está do lado errado da linha verde.
Enquanto que neste caso aqui, todos os pontos estão classificados corretamente.
A máquina de vetor de suporte coloca em primeiro lugar
a classificação correta dos rótulos e depois maximiza a margem.
Se não ligássemos para a classificação correta,
esta linha aqui atrás tem uma margem ainda maior do que todos os exemplos de treinamento.
Mas obviamente é a linha errada.
Então, em máquinas de vetor de suporte, você tenta classificar corretamente
e, em função dessa restrição, você maximiza a margem.
现在 你们感觉受骗了吧?
实际上是这行 你本来可能得到正确值的
现在 的确实现了边缘最大化
在某种意义上 对于所有数据点均是如此
但是 它犯了一个分类方面的错误
红色的x处于绿线的错误的一侧
然而在本例中 所有点均分类正确
支持向量机总是将标签中的
分类正确的放在最前面
然后对边缘进行最大化
如果我们不关心分类是否正确
该行反过来会对所有训练示例采用更大的边缘
这显然是一个错误的行
因此 对于支持向量机
你必须尽力保证分类正确
然后在此前提下 对边缘进行最大化