Содержание
Срок камеральной проверки СЗВ-М \ Акты, образцы, формы, договоры \ КонсультантПлюс
- Главная
- Правовые ресурсы
- Подборки материалов
- Срок камеральной проверки СЗВ-М
Подборка наиболее важных документов по запросу Срок камеральной проверки СЗВ-М (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).
- Налоговые проверки:
- Акт выездной налоговой проверки
- Акт выездной налоговой проверки форма
- Акт камеральной налоговой проверки
- Акт камеральной налоговой проверки форма
- Виды налоговых проверок
- Ещё…
- Персонифицированный учет:
- 39211620010066000140
- АДИ-5 образец заполнения
- Ади-7
- Выдача сзв-м при увольнении
- Выдача сзв-стаж при увольнении
- Ещё…
Формы документов: Срок камеральной проверки СЗВ-М
Судебная практика: Срок камеральной проверки СЗВ-М
Зарегистрируйтесь и получите пробный доступ к системе КонсультантПлюс бесплатно на 2 дня
Открыть документ в вашей системе КонсультантПлюс:
Подборка судебных решений за 2018 год: Статья 46 «Взыскание налога, сбора, страховых взносов, а также пеней, штрафа за счет денежных средств (драгоценных металлов) на счетах налогоплательщика (плательщика сбора, плательщика страховых взносов) — организации, индивидуального предпринимателя или налогового агента — организации, индивидуального предпринимателя в банках, а также за счет его электронных денежных средств» НК РФ
(ООО «Журнал «Налоги и финансовое право»)Суд установил, что о совершенном организацией правонарушении в части непредставления сведений индивидуального (персонифицированного) учета Управлению ПФР стало известно в момент представления расчета по форме РСВ-1. В данном случае срок на взыскание санкций за непредставление сведений по форме СЗВ-М в судебном порядке, исчисленный с учетом сроков для проведения камеральной проверки и оформления ее результатов, сроков принятия решения и выставления требования, срока для добровольного исполнения страхователем требования, на момент обращения в суд истек.
Зарегистрируйтесь и получите пробный доступ к системе КонсультантПлюс бесплатно на 2 дня
Открыть документ в вашей системе КонсультантПлюс:
Подборка судебных решений за 2018 год: Статья 11 «Представление сведений о страховых взносах и страховом стаже» Федерального закона «Об индивидуальном (персонифицированном) учете в системе обязательного пенсионного страхования»
(Юридическая компания «TAXOLOGY»)Управлением Пенсионного фонда РФ была проведена камеральная проверка представленных предприятием сведений индивидуального (персонифицированного) учета по форме СЗВ-М (исходная) за ноябрь 2016 года, в ходе которой установлено нарушение страхователем срока их представления (при сроке представления не позднее 10. 12.2016 сведения фактически представлены 14.12.2016). По результатам проверки Управлением составлен акт от 27.12.2016, вынесено решение от 31.01.2017 о привлечении страхователя к ответственности, предусмотренной ч. 4 ст. 17 Федерального закона от 01.04.1996 N 27-ФЗ «Об индивидуальном (персонифицированном) учете в системе обязательного пенсионного страхования». Суд пришел к выводу об отсутствии оснований для привлечения страхователя к ответственности. Суд указал, что на момент вынесения решения (31.01.2017) действия страхователя не образовали состав правонарушения, поскольку ответственность за нарушение страхователем срока представления сведений до истечения 15-дневного срока для их представления была фактически устранена. В силу п. 2.2 ст. 11 Федерального закона от 01.04.1996 N 27-ФЗ в редакции, вступившей в силу с 01.04.2016 и действовавшей до 01.01.2017, страхователь ежемесячно не позднее 10-го числа месяца, следующего за отчетным периодом, представляет сведения о каждом работающем у него застрахованном лице. При этом Федеральным законом от 03.07.2016 N 250-ФЗ в указанную норму были внесены изменения, в соответствии с которыми срок представления отчетности был перенесен с 10-го на 15-е число месяца, следующего за отчетным.
Статьи, комментарии, ответы на вопросы: Срок камеральной проверки СЗВ-М
Нормативные акты: Срок камеральной проверки СЗВ-М
«Обзор судебной практики Верховного Суда Российской Федерации N 4 (2018)»
(утв. Президиумом Верховного Суда РФ 26.12.2018)
(ред. от 01.06.2022)По результатам камеральной проверки пенсионный фонд вынес решение о привлечении общества к ответственности, предусмотренной ст. 17 Федерального закона от 1 апреля 1996 г. N 27-ФЗ «Об индивидуальном (персонифицированном) учете в системе обязательного пенсионного страхования» (далее — Федеральный закон N 27-ФЗ) в виде финансовых санкций. По мнению пенсионного фонда, общество представило неполные первоначальные сведения о застрахованных лицах по форме СЗВ-М за июнь 2016 года в установленный срок.
Программы CheckXML, CheckPFR 2022, ПО ПД ПФР
На нашем сайте Вы можете скачать последние версии программ проверки отчетности CheckXML и CheckPFR. Проверено антивирусом!
Скачать инструкцию «Обновление CheckXML и CheckPFR» (592 Кб)
Последняя версия CheckXML (от 14.02.2017; 56,2 Мб)
Последняя версия CheckPFR (от 17.01.2018; 78,9 Мб)
Последняя версия CheckXML + 2НДФЛ 2021 (от 11.01.2021; 180 Мб)
Последняя версия ПО ПД ПФР для ОС Windows (Версия 2.0.101 от 19.10.2022; 237 Мб)
Последняя версия ПО ПД ПФР для ОС Linux (Версия 2.0.101 от 19.10.2022; 155 Мб)
Это действительно актуальные версии программ, действующие в 2022 году! Мы тщательно следим за выпуском новых версий и оперативно выкладываем их для скачивания. Но, программы CheckXML и CheckPFR уже пару лет как не обновляются и вряд будут, но последние версии программ работают до сих пор.
Сайты разработчиков вышеуказанных программ: buhsoft. ru, http://www.pfrf.ru.
- скидка 50% на годовую лицензию тарифа «Базовый»
- скидка 50% на годовые лицензии тарифов «Базовый» и «Легкий»
- скидка 30% на аналогичную годовую лицензию тарифа «Корпоративный»
НАШИ СПЕЦИАЛЬНЫЕ ПРЕДЛОЖЕНИЯ
Никогда не работали в СБИС? Вам скидка! Пользователям Контур-Экстерн и других программ | |
🔥Подключение и продление 1С-Отчетности со скидкой 50% до конца месяца! 🔥 🔥1С-Отчетность со скидкой 70% при переходе от другого спец. оператора! 🔥 Скидка предоставляется для подключения одиночных ИП, ЮЛ или групп компаний. Подробнее о тарифах сервиса 1С-Отчетность 👨🚀Оперативное подключение сервиса 1С-Отчетность в день обращения Отправьте заявку на подключение 1С-Отчетности! |
Функции программы CheckXML + 2НДФЛ
- Тестирование всей отчетности, подаваемой в ПФР, ФСС и ИФНС (актуальность модулей тестирования поддерживается в соответствии с версиями органов, в которые подается отчетность).
- Уникальная в своем роде функция: тестирование включает в себя проверку программой CheckXML и CheckPFR (бывшая CheckXML-UFA).
Что проверяет программа CheckXML?
Проверка документов (файлов), действующих с 2010 года:
- Квартальная отчетность по форме РСВ-1
- РСВ-2 и РСВ-3
- документы персонифицированного учета СЗВ-6-4, АДВ-6-5, АДВ-6-2, СПВ-1
А также иных файлов, передаваемых в ПФР со следующими типами документов:
- Анкетные данные
- Индивидуальные сведения о стаже и заработке СЗВ-6-1, СЗВ-6-2, СЗВ-6-3, АДВ-6-3, СЗВ-4-1, СЗВ-4-2
- Ведомости уплаты страховых взносов
- Заявления об обмене страхового свидетельства
- Заявления о выдаче дубликата страхового свидетельства
- Справки о смерти
- Формы по ДСВ (добровольные страховые взносы)
Что проверяет программа CheckPFR?
- Квартальная отчетность по форме РСВ-1, РСВ-2 и РCВ-3
- документы персонифицированного учета СЗВ-6-1, СЗВ-6-2, АДВ-6-2, СЗВ-6-4, СПВ-1, АДВ-11
- СЗВ-М
Встроенная проверка программами CheckXML и CheckPFR в «СБИС Электронная отчетность»
Программный продукт «СБиС++ Электронная отчетность» позволяет управлять составлением и отправкой нескольких видов отчетности, в том числе и для ПФР. Это экономит время и защищает от ошибок при вводе данных, так как информация для налоговых, бухгалтерских и пенсионных документов автоматически подгружается из общей базы предприятия.
Программы CheckXML и CheckPFR для тестирования отчетности ПФР уже подключены к «СБИС Электронная отчетность» и запускаются автоматически. Как только поступает запрос на отправку отчетности в электронном виде, CheckXML и CheckPFR начинают сканировать данные на предмет ошибок и опечаток. После окончания проверки Вы увидите результаты в отдельном окне.
Машина опорных векторов
: бесплатное онлайн-руководство по SVM
В этой статье подробно описывается, как использовать машину опорных векторов в машинном обучении, а также бесплатное онлайн-руководство по SVM, чтобы вы могли решить, подходит ли этот метод для вашего набора задач.
Анализ данных становится все более важным в мире бизнеса, и легко понять, почему; если вы сможете использовать имеющуюся в вашем распоряжении информацию для принятия более разумных и обоснованных решений, вы, вероятно, окажетесь в более выгодном положении в долгосрочной перспективе.
Вот тут и приходит на помощь машина опорных векторов (SVM), поскольку они являются одним из лучших инструментов для анализа данных, особенно в таких областях, как медицина и финансы, которые часто имеют дело с большими объемами данных, которые необходимо проанализировать. быстро и точно.
Это онлайн-руководство для начинающих по поддержке векторной машины поможет вам понять, почему они используются, для чего они используются, как они работают и что их ждет в будущем в реальных приложениях.
Что такое машина опорных векторов?
SVM — это метод машинного обучения, который анализирует данные и определяет, следует ли классифицировать их как положительные или отрицательные.
Существует два типа SVM: линейные и нелинейные, но сейчас мы сосредоточимся на линейных. Линейные SVM проверяют данные на наличие оптимальной линии разделения (т. е. границы), которая наиболее эффективно отделяет положительные данные от отрицательных.
Говоря простым языком, SVM определяет границу между хорошим и плохим, чтобы вы могли сказать, что относится к каждой категории.
Если вы хотите, чтобы ваш бизнес был успешным, вам нужно знать, как работает SVM и какую пользу он может принести вашей компании.
Вам также необходимо знать, как он соотносится с другими методами машинного обучения, такими как нейронные сети, логистическая регрессия и случайные леса.
Различные типы SVM
Существует два типа SVM:
Первый называется векторной машиной с мягкими границами (SMSVM).
Другой тип SVM называется векторной машиной с жесткими границами (HSMSVM).
В SMSVM каждая точка данных имеет дополнительный вес, связанный с ней, и влияет на то, насколько близко эта точка данных будет находиться к своему кластеру.
HSMSVM назначает только две категории, каждая из которых имеет отдельный вес. На практике HSMSVM более популярен, чем SMSVM, потому что при работе с непрерывными переменными возникает меньше ошибок межклассовой классификации. Например, скажем, у нас есть пять разных цветов: зеленый, красный, синий, желтый и фиолетовый. SVM выводит карту отсортированных данных с полями.
Аналогичным образом, существует два типа SVM: максимальная маржа и немаксимальная маржа, которые по-разному классифицируют данные, похожие на SMSVM, HSMSVM.
В максимальном поле данные классифицируются на основе максимального отличия каждой точки от ее ближайшего соседа; как следует из названия, не имеет значения, есть ли точки между этими соседями.
В немаксимальных полях классификация данных сначала требует определения потенциальных средних точек путем поиска тех, у которых больше соседей ближе к одному классу, чем к другому.
Точки рядом с этими средними точками (но не обязательно точно на них) становятся частью той категории, вокруг которой находится больше соседних средних точек.
Статья по теме: Какие существуют типы машинного обучения? – подробно
Гиперплоскость в SVM
Наиболее важным понятием в SVM является гиперплоскость, которая представляет собой линию, проходящую через начало координат.
Гиперплоскость можно использовать для разделения данных на два набора, т. е. одну сторону гиперплоскости и другую сторону гиперплоскости, используя их для классификации или регрессионного анализа.
Мы называем одну сторону гиперплоскости положительной, а другую — отрицательной. В нашем примере мы увидим, как использовать эти типы гиперплоскостей для целей классификации.
Предположим, что для обучающих примеров и их соответствующих меток в качестве выходных данных нам нужно построить классификатор, который предсказывает, принадлежит ли новая невидимая выборка классу +1 или -1.
Если мы посмотрим на все точки в бесконечномерном пространстве, то каждая точка может быть представлена своими координатами (x_i, y_i).
Обучающие примеры нанесены на график в пространстве признаков, как показано ниже, где признаками являются значения координат обучающих выборок по осям x и y.
Как определено выше, функции являются атрибутами с действительными значениями, тогда как метки представляют собой двоичные значения, указывающие на принадлежность к определенной категории, например +1 или -1.
Машины опорных векторов (SVM) В машинном обучении это алгоритм классификации, используемый как для контролируемого, так и для неконтролируемого обучения.
SVM использует точки, наиболее близкие к разделяющим гиперплоскостям, в качестве опорных векторов для поиска нелинейных границ.
Гиперплоскость — это частный случай множественной линейной регрессии только с одной независимой переменной.
Поскольку SVM могут справляться с нелинейными задачами, они широко используются в качестве методов ядра и имеют превосходную эмпирическую эффективность при решении многих задач.
Как работает SVM?
Классифицировать что-либо в основном означает идентифицировать это как принадлежащее к одной или нескольким категориям.
А как мы определяем, относится ли что-то к той или иной категории? Мы сравниваем его характеристики с другими предметами.
Например, если мы хотим узнать, мужчина это или женщина, мы можем сравнить его рост и вес со средними показателями мужчин и женщин.
Если бы они соответствовали нашим критериям для мужчин, то это была бы наша классификация, а если нет, то вместо этого они были бы классифицированы как женщины.
Этот метод может показаться невероятно рудиментарным, но вы можете себе представить, насколько все усложняется, когда мы начинаем говорить о целых наборах измерений, включая такую информацию, как история болезни, которая вообще не поддается измерению!
Метод опорных векторов — это контролируемый метод обучения, который просматривает данные и сортирует их по одной из двух категорий.
SVM выводит карту отсортированных данных с полями и классификациями. Программное обеспечение работает как большое количество математических уравнений, которые решают значения, которые не являются ни слишком высокими, ни слишком низкими, а в самый раз.
Когда вам нужна машина опорных векторов?
Первый шаг в использовании SVM — выяснить, когда он вам нужен. Это довольно сложная проблема, но есть два основных фактора, которые следует учитывать.
Во-первых, проверьте правильно, какой тип данных у вас есть? Во-вторых, каких результатов вы хотите? Эти вопросы помогут вам решить, какой алгоритм использовать.
Простейший метод классификации данных — с помощью байесовского классификатора. Выходные данные можно использовать в качестве карты, показывающей, где в обучающей выборке существуют определенные классы.
Если вам нужна линейная разделимость, то SVM часто более полезны.
Они работают, пытаясь найти линии или плоскости (называемые «гиперплоскостями») между точками в пространстве признаков, которые максимально разделяют группы обучающих примеров.
Статья по теме: Что такое статистическое моделирование? – Использование, типы, приложения
Этапы реализации машины поддержки векторов
Шаг 1: В Python SVM реализована как встроенная библиотека с именем sklearn. Если вы используете Anaconda Python, запустите conda install scikit-learn from ваш терминал.
Шаг 2: SVM — это метод обучения с учителем, поэтому для него требуются обучающие данные вместе с их метками (например, 1 для синего и 0 для красного).
Может использоваться для классификации или регрессии (или того и другого). Например, давайте посмотрим на некоторые векторные данные: пусть X = [2 3 6 5 4] и Y = [4 5 3 6 2].
У нас есть четыре набора входных данных: x1, x2 , x3 и x4. Каждый представляет собой независимую переменную (которую также можно назвать набором признаков), которую мы вводим в алгоритм.
X состоит из четырех признаков, каждый из которых имеет два возможных значения, представленных 0 и 1. Точно так же y имеет два признака (y1 и y2 ), каждый из которых также имеет два значения.
Цель нашего анализа — определить, вызывают ли x1, x2, x3 и x4 какие-либо изменения y.
Это поможет нам лучше прогнозировать будущие экземпляры. Существует множество различных алгоритмов, поддерживающих двоичные SVM, но мы будем использовать линейный SVM, так как в нем задействовано меньше терминов.
Шаг 3: нам нужно сначала настроить нашу среду, чтобы импортировать необходимые библиотеки и определения функций. Затем написать функцию для преобразования входных данных в массивы, чтобы их можно было хранить в массивах NumPy.
Шаг 4: Теперь давайте объявим наши переменные и загрузим тестовые данные для простоты, мы будем использовать только два класса.
Теперь давайте создадим объект класса SVM из sklearn: как упоминалось ранее, SVM может обрабатывать как проблемы регрессии (предсказание непрерывных чисел), так и проблемы классификации (предсказание дискретных чисел). Поэтому выберите любой из них в зависимости от типа вашей проблемы.
Шаг 5: Следующим шагом является предоставление типов параметров, необходимых для построения модели SVM в Python.
Шаг 6: Очень важно выбрать соответствующий тип ядра и значение гаммы, потому что слишком высокое значение гаммы может привести к недостаточной подгонке, а слишком низкое значение может привести к переобучению, что приведет к плохой способности к обобщению.
Здесь мы выбрали радиальную базисную функцию Гаусса (RBF) с ядром RBFkernel по умолчанию (gamma=0.001).
Шаг 7: После того, как вы выбрали все остальные параметры для построения модели SVM, просто вызовите fit()
Шаг 8: Несмотря на то, что ваша модель обучена, ее все еще необходимо сравнить с проверочными данными перед завершением.
Оценочные функции предоставляются модулем SVM в sklearn, и вам просто нужно вызвать предсказать() для оценки производительности.
Чтобы оценить производительность, мы разделим наши данные на 80% для обучения и 20% для тестирования. Однако, если вы хотите увидеть, насколько хороша ваша модель в сравнении с невидимыми данными, попробуйте разделить их 50:50.
Чтобы оценить вашу модель по невидимым данным (т. е. точность вашей модели SVM), просто передайте для прогнозирования целый новый массив данных (той же длины).
В таких условиях точность большинства моделей составляет около 95%, в зависимости от размера набора данных.
Узнайте больше о машине опорных векторов онлайн на платформе Kaggle с примерами Python.
Простая реализация SVM в R
Это простой пример машины опорных векторов, вы можете подробно изучить реализацию SVM в R на онлайн-платформе Kaggle.
библиотека(e1071)
данные(радужная оболочка)
svm_fit <- svm(Species~., data=iris, kernel=radial)
plot(svm_fit)
table(прогноз = svm_fit$decision. values, факт = iris$Species)
Прогноз классифицируется следующим образом и проверяется модель на основе следующих точек:
- 0 указывает Setosa, 1 указывает Versicolor, а 2 указывает на Virginica.
- True Positives указывает на случаи, когда экземпляр был предсказан правильно.
- Ложные срабатывания указывают на случаи, когда экземпляр был неправильно предсказан.
- True Negatives указывают на случаи, когда экземпляр не был правильно предсказан.
- False Negatives указывают на случаи, когда экземпляр был неправильно предсказан.
Как обучаются SVM?
SVM использует алгоритм обучения, называемый функцией ядра, который определяет, как точки входного пространства будут отображаться в выходном пространстве. Обычный способ сделать это — использовать полиномиальные или радиальные базисные функции (RBF).
RBF обладает особыми свойствами, которые делают его полезным для отображения объектов с помощью SVM: он отображает векторы в многомерные пространства, где они могут быть линейно отделены друг от друга. Еще одним важным понятием при использовании SVM является маржа.
Поля относятся к тому, насколько далеко точки данных отстоят от своих ближайших соседей в пределах класса, и, таким образом, помогают определить, к какой категории должны принадлежать новые данные.
Чтобы классифицировать что-то как одну категорию по сравнению с другой, вам нужно достаточное разделение между ними.
Где можно использовать SVM?
Первые применения SVM были в таких областях, как медицина и биология, где исследователи хотели сортировать клетки на здоровые или раковые.
Сегодня SVM используются для самых разных приложений машинного обучения, таких как обнаружение спама и компьютерное зрение.
Поскольку они относительно просты в реализации и могут быть невероятно точными, SVM являются одним из современных методов анализа данных.
Например, мы используем их в Sortable, чтобы определить, является ли электронное письмо спамом или нет, с чрезвычайно высокой точностью (99%).
Будущие тенденции в машинах опорных векторов
Машинное обучение — одна из тех вещей, которые в последнее время действительно стали популярными. Мы все еще только начинаем прикасаться к тому, что мы можем сделать с помощью машинного обучения, но оно уже показало нам, что существует множество способов изменить наш мир к лучшему или к худшему.
Машины опорных векторов являются большой частью всего этого, и прогнозируется, что машины опорных векторов будут определять многие будущие тенденции в области интеллектуального анализа данных и машинного обучения.
Вскоре SVM станет абсолютно необходимым инструментом для предприятий, которые хотят оставаться конкурентоспособными, когда речь идет о прогнозировании потребностей и желаний клиентов.
Значение технологии SVM будет возрастать, поскольку клиенты становятся более требовательными к компаниям, у которых они покупают, как с точки зрения скорости, так и качества.
Поскольку машины опорных векторов являются одним из лучших вариантов сохранения конкурентоспособности, мы можем ожидать, что такие вещи, как корпоративный ИИ и машинное обучение с помощью машин опорных векторов, вероятно, действительно наберут популярность в 2017–2020 годах.
По мере того, как мы приближаемся к 2020 году, мы начинаем наблюдать появление нескольких крупных тенденций, наука о данных становится все более популярной.
Заключение
SVM позволяет анализировать огромные объемы данных за меньшее время, чем другие методы, но если вы не будете осторожны, вы можете получить искаженный обучающий набор.
С помощью SVM легко получить ложные положительные и отрицательные результаты при анализе новых наборов данных. Еще одна проблема — мультиколлинеарность.
Когда две или более независимых переменных сильно коррелируют друг с другом, это приводит к плохим моделям, которым не хватает точности и прецизионности.
Связанная статья: Ускорение алгоритма машинного обучения — полное руководство
Команда DataScience
Команда DataScience — это группа специалистов по данным, работающих в качестве ИТ-специалистов, которые вносят вклад в analayticslearn.com в качестве автора. Эта команда представляет собой группу хороших технических писателей, которые пишут о нескольких типах инструментов и технологий для обработки данных, чтобы создать более квалифицированное сообщество для учащихся.
Может ли SVM выполнять потоковое обучение по одному примеру за раз?
спросил
Изменено
7 лет, 3 месяца назад
Просмотрено
23 тысячи раз
$\begingroup$
У меня есть набор потоковых данных, примеры доступны по одному. Мне нужно было бы сделать многоклассовую классификацию на них. Как только я скормил обучающий пример процессу обучения, я должен его отбросить. В то же время я также использую последнюю модель для прогнозирования неразмеченных данных.
Насколько мне известно, нейронная сеть способна выполнять потоковое обучение, подавая примеры по одному и выполняя прямое и обратное распространение на примере.
Может ли SVM выполнять потоковое обучение по одному примеру за раз и сразу отбрасывать пример?
- машинное обучение
- svm
- нейронные сети
$\endgroup$
1
$\begingroup$
Параметр потоковой передачи в машинном обучении называется «онлайн-обучение». В онлайн-режиме нет точного метода опорных векторов (поскольку определение целевой функции по своей сути предназначено для пакетного режима). Вероятно, наиболее простым обобщением SVM для онлайн-среды являются пассивно-агрессивные алгоритмы. Код находится здесь http://webee.technion.ac.il/people/koby/code-index.html, а соответствующий документ находится здесь http://eprints.pascal-network.org/archive/00002147/01/CrammerDeKeShSi06. пдф 9{k\times d}$ на итерации $t$ алгоритм получает точку данных $\mathbf{x}_t$, а затем выдает прогнозируемые оценки $\hat{\mathbf{y}}_t=W\mathbf{x}_t $ для каждой из меток, и он предсказывает метку с наивысшей оценкой как истинную метку. Если прогноз неверен, алгоритм вносит наименьшее изменение в $W_t$, чтобы избежать этой ошибки в будущем. Наименьшее изменение здесь определяется в терминах нормы Фробениуса.
$\endgroup$
0
$\begingroup$
Я всегда считал, что структура неявных обновлений (которая включает в себя пассивно-агрессивные алгоритмы, упомянутые в другом ответе здесь) излишне сложнее, чем структура явных обновлений (не говоря уже о том, что неявные обновления могут быть намного медленнее, чем явные). если недоступно закрытое решение для неявного обновления).
Online Importance Weight Aware Updates — это пример современного алгоритма явного обновления, который проще, быстрее и гибче (поддержка нескольких функций потерь, множественных штрафов, обучения с учетом затрат и т. д.), чем его неявный алгоритм. аналоги. Однако в статье рассматриваются только линейные модели (линейная svm соответствует случаю функции потерь шарнира с квадратичным штрафом)
Так как вам нужна многоклассовая классификация, один из подходов состоит в использовании функции «сокращения» vowpal wabbit (построенной на основе подхода из статьи), которая, к сожалению, плохо документирована.
$\endgroup$
$\begingroup$
LASVM — один из самых популярных вариантов SVM для онлайн-обучения.
Линейные SVM также можно обучать с помощью стохастического градиентного спуска, как и любую линейную модель.
$\endgroup$
1
$\begingroup$
См. документ «Пошаговое обучение, адаптация и оптимизация SVM», в котором предлагается онлайн-SVM для двоичной классификации.
Код вышеуказанной бумаги можно найти здесь. В коде представлены два способа онлайн-обучения:
- обучать SVM постепенно на одном примере за раз, вызывая
svmtrain()
и - выполняет пакетное обучение, одновременно добавляя все обучающие примеры в решение, вызывая
svmtrain2()
.
Возвращаясь к вашему вопросу, ответ очевиден: ДА для потокового обучения по одному примеру за раз. И код также может обрабатывать отмену обучения (отбрасывание) примера, т. е. точную и приблизительную оценку ошибки с исключением одного (LOO) — точную оценку ошибки LOO можно эффективно вычислить путем точного отказа от изучения одного примера за раз и тестирования классификатора на пример.
$\endgroup$
1
$\begingroup$
Онлайн-обучение с ядрами обсуждает онлайн-обучение в общих настройках ядра.
Выдержка из реферата —
» Алгоритмы на основе ядра, такие как машины опорных векторов, достигли значительного успеха в различных задачах в пакетной настройке, когда все обучающие данные доступны заранее. Машины опорных векторов сочетают в себе так называемое ядро трюк с идеей большого запаса Эти методы мало использовались в онлайн-настройках, подходящих для приложений реального времени. В этой статье мы рассматриваем онлайн-обучение в гильбертовом пространстве воспроизводящего ядра. Рассматривая классический стохастический градиентный спуск в пространстве признаков , и используя некоторые простые приемы, мы разрабатываем простые и эффективные с вычислительной точки зрения алгоритмы для широкого круга задач, таких как классификация, регрессия и обнаружение новизны9.