Прыжок в бесконечность: как под капотом работает RBF SVM
<img src="https://habrastorage.org/getpro/habr/upload_files/7e6/bf1/569/7e6bf1569356512861ef8a97cfbb7e20.png" /><p>Всех приветствую! Меня зовут Андрей, я студент 4 курса факультета математики и компьютерных наук, автор телеграм-канала <a href="https://t.me/andre_data_science" rel="noopener nofollow">Andre | Data Science</a>. Все мы знаем, что направление машинного обучения сейчас на огромном хайпе - практически из-под каждого камня говорят о разных методах и о том, что они способны решить практически любую задачу. Но гайдов, которые бы подробно разбирали работу конкретного метода - от обычной загрузки данных до математического обоснования принципа его работы и визуализации каждого шага, - катастрофически мало.</p><p>В этой статье я хочу закрыть этот пробел и разобрать один конкретный метод - RBF SVM. Мы посмотрим, как он устроен с математической точки зрения, как появился на свет, какие у него есть сильные и слабые стороны и с чем они связаны. Также протестируем его на реальных датасетах. Так как аудитория IT-сообщества довольно широкая, я постараюсь очень подробно расписывать каждое определение и каждую часть своего повествования, чтобы по ходу чтения у вас возникало как можно меньше вопросов и нить понимания не обрывалась.</p> <a href="https://habr.com/ru/articles/1072750/?utm_source=habrahabr&utm_medium=rss&utm_campaign=1072750#habracut">Читать далее</a>