Metoda podpornih vektorjev

Transduktivni SVM 49/60
Tu imamo poleg običajne učne množice še nekaj neoznačenih vektorjev x ⋆ j , j ∈ 1..m
(ki pa prihajajo iz iste verjetnostne porazdelitve).
Vapnik (1998) je priporočil:
• Pripišimo vsakemu od neoznačenih primerkov oznako (+1 ali −1) in to tako, da bo
potem pri učenju na obojih skupaj mogoče doseči čim manjšo vrednost
kriterijske funkcije.
minimiziraj f(w, b, ξ, ξ ⋆ , y ⋆ ) := 1 2 ||w||2 + C ∑ l
i=1 ξ i + C ⋆ ∑ m
j=1 ξ⋆ i
pri pogojih ∀i ∈ 1..l : y i (w T x i + b) ≥ 1 − ξ i , ξ i ≥ 0
∀j ∈ 1..m : yj ⋆(wT x ⋆ j + b) ≥ 1 − ξ⋆ j , ξ⋆ j ≥ 0, y⋆ j ∈ {1, −1}
Tega ne moremo kar minimizirati, saj so spremenljivke y ⋆ j diskretne.