Support Vector Machines and Perceptrons: Learning, Optimization, Classification, and Application to Social Networks

این کار به بررسی وضعیت هنر در طبقه‌بندی‌کننده‌های SVM و پرسپترون می‌پردازد. ماشین بردار پشتیبان (SVM) به راحتی محبوب ترین ابزار برای مقابله با انواع وظایف یادگیری ماشینی از جمله طبقه بندی است. SVM ها با به حداکثر رساندن حاشیه بین دو کلاس مرتبط هستند. مسئله بهینه سازی مربوطه یک بهینه سازی محدب است که یک راه حل بهینه جهانی را تضمین می کند. بردار وزن مرتبط با SVM با ترکیب خطی برخی از بردارهای مرزی و نویز به دست می آید. علاوه بر این، زمانی که داده ها به صورت خطی قابل تفکیک نیستند، تنظیم ضریب عبارت منظم سازی بسیار مهم می شود. اگرچه SVM ها ترفند هسته را رایج کرده اند، در بیشتر برنامه های کاربردی که ابعاد بالایی دارند، SVM های خطی به طور رایج مورد استفاده قرار می گیرند. این متن به بررسی برنامه های کاربردی در شبکه های اجتماعی و اطلاعاتی می پردازد. این کار همچنین یک طبقه‌بندی خطی محبوب دیگر، پرسپترون را مورد بحث قرار می‌دهد و عملکرد آن را با عملکرد SVM در زمینه‌های کاربردی مختلف مقایسه می‌کند.>

This work reviews the state of the art in SVM and perceptron classifiers. A Support Vector Machine (SVM) is easily the most popular tool for dealing with a variety of machine-learning tasks, including classification. SVMs are associated with maximizing the margin between two classes. The concerned optimization problem is a convex optimization guaranteeing a globally optimal solution. The weight vector associated with SVM is obtained by a linear combination of some of the boundary and noisy vectors. Further, when the data are not linearly separable, tuning the coefficient of the regularization term becomes crucial. Even though SVMs have popularized the kernel trick, in most of the practical applications that are high-dimensional, linear SVMs are popularly used. The text examines applications to social and information networks. The work also discusses another popular linear classifier, the perceptron, and compares its performance with that of the SVM in different application areas.>