Plan le problème d’apprentissage et optimisation



Yüklə 445 b.
tarix08.05.2018
ölçüsü445 b.
#50380


Estimation fonctionnelle à l’aide de S.V.M.


RdF et estimation fonctionelle



Plan

  • le problème d’apprentissage et optimisation

  • discrimination linéaire : cas séparable

  • discrimination linéaire : cas non séparable

  • SVM radiales

    • le principe
    • les 3 hyper-paramètres de régularisation
    • résultats sur les données du verre et les voyelles
  • les cas de la régression



Modèle “boite noire”



Echantillon



Apprentissage



Minimisation du risque structurel

  • Minimisation risque empirique



Minimisation du risque structurel



Apprentissage : Discrimination sans modèle ou avec un modèle robuste



Espace fonctionnel



Minimisation sous contraintes



Minimisation sous contraintes



Minimisation sous contraintes



Minimisation sous contraintes formulation duale



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Discrimination linéaire le cas séparable



Classification linéaire - le cas séparable



Classification linéaire - le cas séparable



Classification linéaire - le cas séparable



Classification linéaire le cas séparable



Classification linéaire le cas séparable



Intégration des contraintes d’égalité



intégration des contraintes d’inégalité



intégration des contraintes d’inégalité méthode de projection



QP



QP



Cas non séparable



Classification linéaire : le cas non séparable



QP



QP - non séparable



SVM quadratique



Classification polynômiale



Le cas des outliers



Le clown



SVM gaussiènne



SVM gaussiènne



SVM gaussiènne



SVM gaussiènne



SVM gaussiènne



1 d example



1 d example



1 d example



1 d example



1 d example



3 regularization parameters

  • C : the superior bound

  •  : the kernel bandwidth: K(x,y)

  • the linear system regularization

    • H=b => (H+I)=b


Les trois paramètres de régularisation

  • C : la borne sup 0<

  •  : la largueur du noyau : K(x,y)

  • régularisation du système linéaire

    • H=b => (H+I)=b


Les trois paramètres de régularisation

  • C : la borne sup 0<

  •  : la largueur du noyau : K(x,y)

  • régularisation du système linéaire

    • H=b => (H+I)=b


L’effet de la borne sup



Noyau étroit et C grand



Noyau large - C grand



Noyau large et C petit



C and  effect



Les données de Ripley Glass



Ripley



Voyel



SVM pour la régression



SVM pour la régression



SVM pour la régression



SVM pour la régression



Une solution ... pas géniale



Exemple...



 petit et  aussi



Geostatistics



Une autre manière de voir les choses (Girosi, 97)



SVM history and trends



Optimization issues QP with constraints



Optimization issues



Some benchmark considerations (Platt 98)



Theoretical issues



Books in Support Vector Research



Events in Support Vector Research



Conclusion




Yüklə 445 b.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©muhaz.org 2022
rəhbərliyinə müraciət

    Ana səhifə