Anda di halaman 1dari 2

FACULDADE COMUNITÁRIA DE JOÃO MONLEVADE

INSTITUTO ENSINAR BRASIL - REDE DOCTUM DE ENSINO

Daniel Luiz de Souza


Engenharia elétrica
8° período

Exercícios capitulo 6 do livro Acionamentos elétricos

João Monlevade

2018
O SVM (Suppor vector machines) é um algoritmo de aprendizagem que é
utilizado em problemas matemáticos e de engenharia afim de reconhecer
padrões. O SVM executa a classificação construindo um hiperplano N-
dimensional que separa os dados de forma otimizada em duas categorias.
Esta separação se dá pelo reconhecimento das 2 categorias afim de encontrar
qual delas possui uma menor distância do ponto de treinamento, ao qual é
chamado de vetores de suporte.
O primeiro passo a ser executado pelo SVM é o treinamento, onde são
entregues ao algoritmo valores a serem aprendidos para servirem de
comparação na próxima etapa. Este método de aprendizado chamamos de
aprendizado supervisionado. Este processo tem como objetivo a reprodução de
saídas corretas a partir de novas entradas.
Existe também o processo de aprendizado não supervisionado. Este não
possui valores iniciais, específicos, para o treinamento. O algoritmo aprende a
agrupar seus valores de entrada tomando como base uma medida de
qualidade. Este tipo de técnica é utilizada quando se deseja encontrar padrões
que servirão de auxilio no entendimento de dados.
A próxima etapa executada pelo SVM é o de classificação. A teoria de
aprendizado estatístico estabelece condições matemáticas que servem de
auxílio na escolha de um classificador a partir de um conjunto de dados de
treinamento.
Um método utilizado para a classificação é a obtenção de fronteiras lineares
para a separação de dados entre duas classes. Neste método o algoritmo cria
fronteiras lineares através de um hiperplano de separação, baseado em
vetores de suporte. Uma vez que este hiperplano é obtido, as avaliações das
novas entradas dependerá do resultado da avaliação da função linear. A
avaliação, se maior ou menor que zero, indicará a classe à qual pertence esta
entrada.
Estas margens de separação podem ser rígidas ou suaves. As rígidas definem
fronteiras lineares a partir de dados linearmente separáveis. As margens
suaves retratam os modelos mais reais pois os dados geralmente possuem
ruídos que podem deixar os sinais não lineares. Para este ponto, é permitido
que alguns dados possam violar o hiperplano gerado para separação. A
aplicação deste procedimento suaviza as margens do classificador linear,
permitindo que alguns dados permaneçam entre os hiperplanos.