Metoda podpornih vektorjev

More documents

Recommendations

Info

Časovna zahtevnost učenja SVMjev 34/60 10000 Čas učenja T [s] 1000 100 10 10000 Število učnih primerkov N poskusi T = N 1.51 /19152 100000 • Mnoˇzica 118924 učnih primerkov in njene podmnoˇzice. • Linearna regresija pravi: [čas učenja] ≈ 1 19152.342 [število učnih primerkov]1.51725 s. • Časovna zahtevnost je med linearno in kvadratno, različni avtorji navajajo različne eksponente.
Nelinearni modeli in jedra
Page 2 and 3: Uvod 2/60 SVM = Support Vector Mach
Page 4 and 5: Razmejevanje točk z ravnino ❄ U
Page 6 and 7: Enačba ravnine 6/60 • Ravnino pr
Page 8 and 9: Razmejevanje učnih primerkov z rav
Page 10 and 11: Rob 10/60 Naj bo rob omejen z ravni
Page 12 and 13: Optimizacijski problem 12/60 Zdaj l
Page 14 and 15: Lagrangeovi multiplikatorji 14/60 R
Page 16 and 17: Karush-Kuhn-Tuckerjev izrek 16/60 V
Page 18 and 19: Optimizacija 18/60 Naš optimizacij
Page 20 and 21: Dualna naloga 20/60 Če obrnemo pre
Page 22 and 23: Določanje praga b 22/60 ✻ ❛
Page 24 and 25: Ničeln prag 24/60 Pri tej različi
Page 26 and 27: Izbira parametra C 26/60 minimizira
Page 28 and 29: Izbira parametra C 28/60 Reuters-21
Page 30 and 31: Kvadratno programiranje 30/60 Numer
Page 32 and 33: Joachimsova različica dekompozicij
Page 36 and 37: Prehod na nelinearne modele 36/60 R
Page 38 and 39: Jedra 38/60 Videli smo: nikjer nam
Page 40 and 41: Bolj človeški pogoji 40/60 Če so
Page 42 and 43: Radialna jedra (radialne bazne funk
Page 44 and 45: Jedra za nize 44/60 Naj bo x = a 1
Page 46 and 47: Posplošena jedra 46/60 Najpreprost
Page 48 and 49: SVM kot nevronska mreža 48/60 ✲
Page 50 and 51: Transduktivni SVM 50/60 minimiziraj
Page 52 and 53: Vračanje verjetnosti 52/60 Zato je
Page 54 and 55: Regresijski SVM 54/60 Radi bi napov
Page 56 and 57: ROMMA (relaxed on-line maximum marg
Page 58 and 59: Programi 58/60 SvmLight (T. Joachim
Page 60: Literatura 60/60 Knjige: • N. Chr

Metoda podpornih vektorjev

Create successful ePaper yourself

Delete template?

Save as template?