Überwachtes Lernen / Support Vector Machines

Weitere Magazine

Empfehlungen

Info

Nichtlineare SVM Häufig verwendete Kernfunktionen: Polynom-Kernel: K(x i ,x j ) = (x i x j ) d Gauß-Kernel: K(x i ,x j ) = e −||x i −x j ||2 c Sigmoid-Kernel: K(x i ,x j ) = tanh(β 1 x i x j +β 2 ) Lineare Kombinationen von gültigen Kernels→neue Kernelfunktionen Wir müssen nicht wissen, wie der neue MerkmalsraumR m aussieht. Wir brauchen nur die Kernel-Funktion als ein Maß der Ähnlichkeit. Rudolf Kruse Neuronale Netze 279
Nichtlineare SVM Beispiel: Gauß-Kernel (c = 1). Die <strong>Support</strong>-Vektoren sind durch einen extra Kreis gekennzeichnet. Rudolf Kruse Neuronale Netze 280
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 und 20: SVM für linear trennbare Klassen D
Seite 21 und 22: SVM für linear trennbare Klassen B
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: Nichtlineare SVM Beispiel: Ψ : R 2
Seite 37 und 38: Schlußbemerkungen Stärken von SVM

Überwachtes Lernen / Support Vector Machines

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?