Page 63 - 202004期
P. 63
The M
The Management of underground pipelineanagement of underground pipeline
器进行训练，计算出算法，从而再利用算法来
解决问题。
4.1 支持向量机（SVM）
接下来介绍一个经典的机器学习训练方
法，支持向量机（Support Vector Machine，
SVM），以下我们简称为SVM，它在利用小训
练样本解决分类问题上有非常卓越的表现，
图1
之所以说它经典是因为它的背后有非常完美
的数学推导做支撑，下面我们简单介绍如何
将SVM应用到漏水检测中。
所有的机器学习方法都是在做同样一件
事，把不同类型的样本区分开，以我们开篇的
那个例子，什么样的声音才是漏水点的声音？
我们试着使用SVM解决这个问题，把采集到
经过开挖验证的漏水声音作为样本，漏点声 图2
音记作“Class 1”，用“○”表示；非漏点声音 优”的预先假设。那么人想要的这条直线除了
记作“Class 2”，用“×”表示，众多声音样本 能将训练样本正确分类，还应该具有以下两
在特征空间中有如下分布： 个预先假设：
如图1中可以用一条线将两类样本分开的 假设一、可以将训练样本中未出现的且
叫做线性可分样本集，对应的是相对简单的问 更靠近直线的样本区分到正确的一边的直线
题；而如图2中我们没有办法找出一条直线将 是好的。这里要加入“特征相似度高的样本更
两类样本分开的叫做线性不可分样本集，对应 可能是同一类”的人类思维。
的也就是我们需要解决的复杂问题。SVM提 假设二、可以将由于采集过程造成特征轻
出了两个步骤来将S2中的样本分开，第一步是 微误差的样本区分到正确的一边的直线是好的，
找出图1中可以将两类样本分开的无数条直线 这是要求算法对样本误差要有更高的宽容度。
中最优的那一条；第二步是将图2线性不可分 根据这两个预先假设，SVM给出了这样
的情况转化为图1线性可分的情况。 一条直线，如图3。
4.2 线性可分样本 将一条直线向两边平移，直到和两侧某
我们先来讨论第一步，这些可将两类样 个或某几个样本重合，会在直线两侧各得到
本分开的无数直线，对于机器来说无所谓优 一条平行线，能使得平行线间距离d取到最大
劣，要想找出最优的直线，必须定义出“最 值的两条平行线，其中心线为最优直线，这条
2020年第4期 49
