【学习】大脑中的支持向量机

机器学习研究会 2017-11-29

点击上方 “机器学习研究会”可以订阅哦

摘要

支持向量机（SVM）是一种重要的机器学习分类器， 它巧妙的运用非线性变换把低维的特征投影到高维，可以执行比较复杂的分类任务（升维打击）。 SWM看似使用了一个数学上的玄技，实则是恰巧符合了大脑编码的机理， 我们可以从2013年的一篇nature论文读起，理解机器学习和大脑工作原理的深层联系（表面的联系是运用机器学习研究大脑）。

论文名称： The importance of mixed selectivity in complex cognitive tasks (by Omri Barak al. )

这种惊人的联系可以从哪里看出来呢？首先我们来谈谈神经编码的本质： 动物接受到一定信号并根据它做出一定的行为，一个是把外界信号转化为神经电信号，另一个是把神经电信号转化为决策信号，前一个过程叫做编码（encoding），后一个过程叫做解码（decoding）。 而神经编码的真实目的正是之后解码来做决策。因此， 用机器学习的眼光看解码， 最简单的方法就是看做一个分类器， 甚至是一个logistic model这样的线性分类器 ， 把输入信号根据一定特征分类分别对待。比如看到老虎逃跑，看到兔子吃掉。当然， 有时候解码也在做回归， 比如当神经信号最后转化为运动， 你需要把神经信号转化为动作幅度的连续变量。 那么好了， 这里已经明显看到了神经编码和机器学习的联系， 神经编码的本质是重新表征信号，从而使得分类或回归容易进行。 机器学习的一大类问题本质其实是模仿了自然， 正如同大多数时候人类如果一件事情做得很好，那往往是仿效了大自然的机制。

链接：
https://zhuanlan.zhihu.com/p/22613106

原文链接：
http://weibo.com/5066241201/E9TuE8KRD?ref=collection&type=comment#_rnd1474801433925

“完整内容”请点击【阅读原文】

↓↓↓

版权声明：本站内容全部来自于腾讯微信公众号，属第三方自助推荐收录。《【学习】大脑中的支持向量机》的版权归原作者「机器学习研究会」所有，文章言论观点不代表Lambda在线的观点， Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源： 阅读原文

相关阅读

• 

  逻辑回归 VS 决策树 VS 支持向量机（1）

  

  干货 | 使用支持向量机进行光学字符识别

  

  神经网络和支持向量机的优缺点！

• 

  支持向量机及Python代码实现

  

  大脑中的支持向量机

  

  开发者自述：我是怎样理解支持向量机（SVM）与神经网络的