Главная » Просмотр файлов » 3 Метод опорных векторов

3 Метод опорных векторов (1162171), страница 2

Файл №1162171 3 Метод опорных векторов (Д.П. Веторв, Ю.И. Журавлёв - Лекции) 2 страница3 Метод опорных векторов (1162171) страница 22019-09-19СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

для объекта обучения (x, t)тестовый объект может быть представлен как(x + Δx, t), причем Δx ≤ r.• Гиперплоскость с величиной зазора ρ > r корректноклассифицирует выборку.Оптимальная разделяющая гиперплоскость.Пример 2.Лекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразовgg+DgrRЕсли объекты располагаются на достаточном расстоянииот гиперплоскости, то небольшое изменение параметров(z, b) не меняет корректного разделения данных.Оптимальная разделяющая гиперплоскость.Стат.

теория Вапника-Червоненкиса, [2]Лекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов• Пусть имеется некоторое объективное распределениеp(x, t). Обучающая и тестовая совокупности являютсян.о.р.

выборками из этого распределения.• Пусть имеется семейство классификаторов{f (x, w) : Rd → T |w ∈ Ω} и функция потерьL : T × T → R+ .• Средним риском называется мат.ожидание функциипотерь:R(w) = Ep(x,t) L(·) =L(t, f (x, w))p(x, t)dxdt• Эмпирическим риском называется следующаявеличина:1L(ti , f (xi , w))nnR(w) =i=1Оптимальная разделяющая гиперплоскость.Стат. теория Вапника-Червоненкиса, [2]Лекция 3.

МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]БеспризнаковоераспознаваниеобразовТеорема (Vapnik, 1995)С вероятностью 0 < η ≤ 1 выполняется следующее неравенство:h(ln(2m/h) + 1) − ln(η/4)R(w) ≤ R(w) +mЗдесь h — положительная величина, называемаяВЧ-размерностью.Теорема (Vapnik, 1995)Допустим, что вектора x ∈ Rd принадлежат сфере радиуса R.Тогда для семейства разделяющих гиперплоскостей с величинойзазора ρ верно следующее: 2 Rh ≤ min,d + 1ρ2Постановка задачи оптимизацииЛекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов• Предположим, что в выборке присутствуют объектыдвух классов, т.е.

∃i, j : ti = 1, tj = −1.• Для построения канонической гиперплоскости смаксимальной величиной зазора, корректноразделяющей данные, необходимо решить следующуюзадачу оптимизации:1z2 → minz,b2ti (z, xi + b) ≥ 1, ∀i = 1, . . . , nФункция ЛагранжаЛекция 3. МетодопорныхвекторовВетров,ЖуравлевФункция Лагранжа1wi (ti (z, xi + b) − 1) → min maxL(z, b, w) = z2 −wz,b2ni=1ЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]БеспризнаковоераспознаваниеобразовКоэффициенты Лагранжа wi ≥ 0, ∀i = 1, .

. . , n.∂L(z, b, w) = 0 ⇒ z∗ =wi ti xi∂zni=1∂L(z, b, w) = 0 ⇒∂b+wi ti = 0i=11 wi wj ti tj xi , xj −wi wj ti tj xi , xj +2nL(z∗ , b∗ , w) =nni=1ni=1 j=1nwi =i=1nni=1 j=1wi −nn1 2i=1 j=1wi wj ti tj xi , xj → maxwДвойственная задача оптимизацииЛекция 3. МетодопорныхвекторовВетров,ЖуравлевnЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразовi=1n1 wi wj ti tj xi , xj → maxw2nwi −ni=1 j=1ti wi = 0i=1wi ≥ 0, ∀i = 1, . .

. , nРешениеt̂(x) = sign (z∗ , x + b∗ ) = sign ni=1w∗i ti xi , x + b∗Опорные вектораЛекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]Условие дополняющей нежесткости:w∗i (ti (z∗ , xi + b∗ ) − 1) = 0(4)Из (4) следует, что объекты обучающей выборки, длякоторых w∗i > 0, лежат точно на границе гиперплоскости.Они называются опорными векторами.МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]БеспризнаковоераспознаваниеобразовЗначение b∗ может быть получено из (4) для любогоопорного вектора. При этом с вычислительной точкизрения более устойчивой процедурой является усреднениепо всем таким объектам.Разреженность решенияЛекция 3.

МетодопорныхвекторовВетров,ЖуравлевРешающее правилоЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразовt̂(x) = signnwi ti xi , x + bi=1В решающее правило входят только те объекты обучения,для которых wi > 0 (опорные векторы).

Такое правилоназывается разреженным (sparse model). Разреженныемодели обладают высокой скоростью распознавания вбольших объемах данных, а также «проливают свет» наструктуру обучающей совокупности, выделяя наиболеерелевантные с точки зрения классификации объекты.План лекцииЛекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов1 Ликбез2 Метод опорных векторов для задачи классификации, [2]Метод потенциальных функцийСлучай линейно разделимых данныхСлучай линейно неразделимых данныхЯдровой переходЗаключительные замечания3 Метод опорных векторов для задачи регрессии, [2]4 Беспризнаковое распознавание образовОсновная методика беспризнакового распознавания образоПостроение функции, задающей скалярное произведениеОслабляющие коэффициентыЛекция 3.

МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]БеспризнаковоераспознаваниеобразовНа практике данные не являются, как правило, линейноразделимыми. Кроме того, даже линейно разделимыевыборки могут содержать помехи, ошибочные меткиклассов и проч.

Практический метод распознаваниядолжен учитывать подобные ситуации.Предположим, что ∀(z, b) ∃xi : ρ(z,b) (xi , ti ) < 0. Позволимнекоторым из ограничений не выполняться путем введенияослабляющих коэффициентов:ti (z, xi + b) ≥ 1 − ξiti (z, xi + b) ≥ 1 ∀i = 1, . . . , n −→ξi ≥ 0, ∀i = 1, . . . , nПри этом потребуем, чтобы количество нарушений(количество ошибок на обучении) было бы как можноменьшим:n1z2 + Cξi → minz,b,ξ2i=1Постановка задачи оптимизацииЛекция 3.

МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов1z2 + Cξi → minz,b2ni=1ti (z, xi + b) ≥ 1 − ξi ∀i = 1, . . . , nξi ≥ 0Здесь C ≥ 0 — некоторый действительный параметр,играющий роль параметра регуляризацииФункция ЛагранжаЛекция 3. МетодопорныхвекторовВетров,ЖуравлевФункция ЛагранжаL(z, b, ξ, w, v) =1z2 +Cξi −wi [ti (z, xi +b)−1+ξi]−2Ликбезnni=1i=1Метод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов−nvi ξi → min maxz,b,ξ w,vi=1Коэффициенты Лагранжа wi ≥ 0, vi ≥ 0.n∂L(z, b, ξ, w, v) = 0∂z⇒ z∗ =∂L(z, b, ξ, w, v) = 0∂b⇒∂L(z, b, ξ, w, v) = 0∂ξi⇒ wi + vi = Cwi ti xii=1nwi ti = 0i=1Двойственная задача оптимизацииЛекция 3.

МетодопорныхвекторовВетров,ЖуравлевnЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразовi=1n1 wi wj ti tj xi , xj → maxw2nwi −ni=1 j=1wi ti = 0i=10 ≤ wi ≤ CРешающее правило остается без изменений: n∗∗t̂(x) = sign (z∗ , x + b∗ ) = signwi ti xi , x + bi=1План лекцииЛекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов1 Ликбез2 Метод опорных векторов для задачи классификации, [2]Метод потенциальных функцийСлучай линейно разделимых данныхСлучай линейно неразделимых данныхЯдровой переходЗаключительные замечания3 Метод опорных векторов для задачи регрессии, [2]4 Беспризнаковое распознавание образовОсновная методика беспризнакового распознавания образоПостроение функции, задающей скалярное произведениеЯдровой переходЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразовпорождаются нелинейной разделяющей поверхностью.• Для обобщения метода на нелинейный случай заметим,что объекты обучающей выборки входят вдвойственную задачу оптимизации только в видепопарных скалярных произведений xi , xj .• Предположим, что исходное признаковое пространствобыло подвергнуто некоторому нелинейномупреобразованию:Φ : Rd → H110.80.90.60.80.40.70.20.6−→0−0.2−0.40.50.40.3−0.60.2−0.8−1−1X22Ветров,Журавлев• На практике часто встречается ситуация, когда данныеX2Лекция 3.

Методопорныхвекторов0.1−0.8−0.6−0.4−0.20X10.20.40.60.81000.10.20.30.40.5X120.60.70.80.91Ядровой переходЛекция 3. МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]Беспризнаковоераспознаваниеобразов• Для того, чтобы построить гиперплоскость смаксимальным зазором в новом пространстве Hнеобходимо знать лишь Φ(xi ), Φ(xj )H .• Допустим, что существует некоторая «ядроваяфункция» K : Rd × Rd → R, такая чтоK(x, y) = Φ(x), Φ(y)H• Для построения гиперплоскости с максимальнымзазором в пространстве H нет необходимости задаватьпреобразование Φ в явном виде, достаточно лишьзнать K!• Задача оптимизации зависит только от попарныхскалярных произведений, а решающее правило можетбыть представлено какt̂(x) = signni=1wi ti Φ(xi ), Φ(x)H + b= signni=1wi ti K(xi , x) + bТребования к ядровой функцииЛекция 3.

МетодопорныхвекторовВетров,ЖуравлевЛикбезМетод опорныхвекторов длязадачиклассификации,[2]МетодпотенциальныхфункцийСлучай линейноразделимыхданныхСлучай линейнонеразделимыхданныхЯдровой переходЗаключительныезамечанияМетод опорныхвекторов длязадачирегрессии, [2]БеспризнаковоераспознаваниеобразовОчевидно, что не для любой функции двух переменных Kнайдутся такие (H, Φ), для которых K будет определятьскалярное произведение.

Характеристики

Тип файла
PDF-файл
Размер
393,38 Kb
Тип материала
Высшее учебное заведение

Список файлов лекций

Свежие статьи
Популярно сейчас
А знаете ли Вы, что из года в год задания практически не меняются? Математика, преподаваемая в учебных заведениях, никак не менялась минимум 30 лет. Найдите нужный учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6510
Авторов
на СтудИзбе
302
Средний доход
с одного платного файла
Обучение Подробнее