Überwachtes Lernen / Support Vector Machines

Weitere Magazine

Empfehlungen

Info

SVM für linear trennbare Klassen Lösung des Optimierungsproblems: w ∗ = l ∑ i=1 α iy i x i = ∑ b ∗ = − 1 2·w∗·(x p +x m ) x i ∈SV α iy i x i für beliebigesx p ∈SV,y p = +1, undx m ∈SV,y m =−1 wobei SV = {x i |α i > 0,i = 1, 2,...,l} die Menge aller Support-Vektoren darstellt Klassifikationsregel: sgn(w ∗ x +b ∗ ∑ ) = sgn[( α iy i x i )x +b ∗ ] x i ∈SV Die Klassifikation hängt nur von den Support-Vektoren ab! Rudolf Kruse Neuronale Netze 265
SVM für linear trennbare Klassen Beispiel: Support-Vektoren Rudolf Kruse Neuronale Netze 266
Seite 1 und 2: Überwachtes Lernen / Support Vecto
Seite 3 und 4: Lernen von Beispielen Gegeben:X ={x
Seite 5 und 6: Lineare Trennung der Trainingsdaten
Seite 7 und 8: Motivation Ursprung in statistische
Seite 9 und 10: SVM für linear trennbare Klassen B
Seite 11 und 12: Keine scharfe Trennung, sondern ein
Seite 13 und 14: Trenne die Trainingsdaten mit maxim
Seite 15 und 16: SVM für linear trennbare Klassen L
Seite 17 und 18: SVM für linear trennbare Klassen O
Seite 19: SVM für linear trennbare Klassen D
Seite 23 und 24: SVM für linear trennbare Klassen D
Seite 25 und 26: SVM für nicht linear separierbare
Seite 31 und 32: Nichtlineare SVM Problem: Sehr hohe
Seite 33 und 34: Nichtlineare SVM Beispiel: Ψ : R 2
Seite 35 und 36: Nichtlineare SVM Beispiel: Gauß-Ke
Seite 37 und 38: Schlußbemerkungen Stärken von SVM

Überwachtes Lernen / Support Vector Machines

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?