Gépi tanulás a gyakorlatban SVM

Hasonló dokumentumok
Support Vector Machines

SVM (közepesen mély bevezetés)

Csima Judit április 9.

Kernel módszerek. 7. fejezet

A SVM OSZTÁLYOZÁSI ELJÁRÁS ALKALMAZÁSÁNAK Az SVM osztályozási GYAKORLATI eljárás alkalmazásának TAPASZTALATAI gyakorlati tapasztalatai

Kernel gépek vizsgálata

Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/

Fodor Gábor március 17. Fodor Gábor Osztályozás március / 39

5. LECKE: TÁMASZVEKTOROK (SVM, Support Vector Machines)

Abszolútértékes egyenlôtlenségek

Peer-to-peer (P2P) gépi tanulás. Hegedűs István

DIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC

Nemlineáris programozás 2.

Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István

OPTIMALIZÁLÁS LAGRANGE-FÉLE MULTIPLIKÁTOR SEGÍTSÉGÉVEL

Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet

1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!

Alternatívák rangsora Rangsor módszerek. Debreceni Egyetem

Energiatételek - Példák

A szimplex algoritmus

1. Előadás Lineáris programozás

Passzív és aktív képosztályozás a gépi és emberi tanulás összehasonlításánál

A lineáris programozás 1 A geometriai megoldás

Egyenletek, egyenlőtlenségek grafikus megoldása TK. II. kötet 25. old. 3. feladat

Érettségi feladatok: Függvények 1/9

= Y y 0. = Z z 0. u 1. = Z z 1 z 2 z 1. = Y y 1 y 2 y 1

Diszkréten mintavételezett függvények

Függvények 1. oldal Készítette: Ernyei Kitti. Függvények

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla

Transzformációk síkon, térben

Egyenletek, egyenletrendszerek, matematikai modell. 1. Oldja meg az Ax=b egyenletrendszert Gauss módszerrel és adja meg az A mátrix LUfelbontását,

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)

Koordináta-geometria feladatgyűjtemény (A feladatok megoldásai a dokumentum végén találhatók)

Érzékenységvizsgálat

Bevezetés az operációkutatásba A lineáris programozás alapjai

Mátrixfüggvények. Wettl Ferenc április 28. Wettl Ferenc Mátrixfüggvények április / 22

Descartes-féle, derékszögű koordináta-rendszer

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Koordináta-geometria feladatgyűjtemény

Regresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program

3. Egyenletek, egyenletrendszerek, egyenlőtlenségek

Matematika III előadás

A lineáris programozás alapjai

Matematikai geodéziai számítások 6.

Osztályozási feladatok képdiagnosztikában. Orvosi képdiagnosztikai 2017 ősz

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

Numerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok

TDK-dolgozat. Lehóczky Zoltán, Urbán Csaba

Matematikai geodéziai számítások 6.

Feladatok a Diffrenciálegyenletek IV témakörhöz. 1. Határozzuk meg következő differenciálegyenletek általános megoldását a próba függvény módszerrel.

Gépi tanulás a gyakorlatban. Bevezetés

Operációkutatás. Vaik Zsuzsanna. Budapest október 10. First Prev Next Last Go Back Full Screen Close Quit

MÉSZÁROS JÓZSEFNÉ, NUMERIKUS MÓDSZEREK

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Síkbeli egyenesek. 2. Egy egyenes az x = 1 4t, y = 2 + t parméteres egyenletekkel adott. Határozzuk meg

Abszolútértékes és gyökös kifejezések Megoldások

egyenletrendszert. Az egyenlő együtthatók módszerét alkalmazhatjuk. sin 2 x = 1 és cosy = 0.

Egyenletek, egyenletrendszerek, egyenlőtlenségek Megoldások

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések

Függvények Megoldások

EGY ABLAK - GEOMETRIAI PROBLÉMA

Az igénybevételi ábrák témakörhöz az alábbi előjelszabályokat használjuk valamennyi feladat esetén.

A képzetes számok az isteni szellem e gyönyörű és csodálatos hordozói már majdnem a lét és nemlét megtestesítői. (Carl Friedrich Gauss)

Kombinált képkeresés offline osztályozás segítségével

Lineáris különböz ségek

VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag

Oeconomicus Napocensis Verseny Március 24 és május IV. szekció Tantárgy: MATEMATIKA I

Összeállította: dr. Leitold Adrien egyetemi docens

Feladatok megoldásokkal az első gyakorlathoz (differencia- és differenciálhányados fogalma, geometriai és fizikai jelentése) (x 1)(x + 1) x 1

a) A logaritmus értelmezése alapján: x 8 0 ( x 2 2 vagy x 2 2) (1 pont) Egy szorzat értéke pontosan akkor 0, ha valamelyik szorzótényező 0.

Diagnosztika, statisztikai döntések, hipotézisvizsgálat, osztályozás

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/

20. tétel A kör és a parabola a koordinátasíkon, egyenessel való kölcsönös helyzetük. Másodfokú egyenlőtlenségek.

Ipari matematika 2. gyakorlófeladatok

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Abszolútértékes és Gyökös kifejezések

2. Gauss elimináció. 2.1 Oldjuk meg Gauss-Jordan eliminációval a következő egyenletrendszert:

Mesterséges Intelligencia MI

Vezetők elektrosztatikus térben

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/

Lendület. Lendület (impulzus): A test tömegének és sebességének szorzata. vektormennyiség: iránya a sebesség vektor iránya.

PRÓBAÉRETTSÉGI MATEMATIKA május-június EMELT SZINT. Vizsgafejlesztő Központ

Gépi tanulás a gyakorlatban. Lineáris regresszió

71. A lineáris és térfogati hőtágulási tényező közötti összefüggés:

Hozzárendelések. A és B halmaz között hozzárendelést létesítünk, ha megadjuk, hogy az A halmaz egyes elemeihez melyik B-ben lévő elemet rendeltük.

Gyakorló feladatok I.

4. Előadás: Erős dualitás

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Nagy Gábor compalg.inf.elte.hu/ nagy

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások

(a b)(c d)(e f) = (a b)[(c d) (e f)] = = (a b)[e(cdf) f(cde)] = (abe)(cdf) (abf)(cde)

E x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)

DIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC

Csillapított rezgés. a fékező erő miatt a mozgás energiája (mechanikai energia) disszipálódik. kváziperiódikus mozgás

Q 1 D Q 2 (D x) 2 (1.1)

6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?

Navier-formula. Frissítve: Egyenes hajlítás

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet

6. feladatsor: Inhomogén lineáris differenciálegyenletek (megoldás)

Átírás:

Gépi tanulás a gyakorlatban SVM

Klasszifikáció Feladat: előre meghatározott csoportok elkülönítése egymástól Osztályokat elkülönítő felület Osztályokhoz rendelt döntési függvények

Klasszifikáció Feladat: előre meghatározott csoportok elkülönítése egymástól Osztályokat elkülönítő felület Osztályokhoz rendelt döntési függvények

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása szeparáló hipersík w

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása szeparáló hipersík Amelyre teljesül:,ha pozitív példa,ha negatív példa w

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása szeparáló hipersík Amelyre teljesül:,ha pozitív példa,ha negatív példa w

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása szeparáló hipersík De melyiket???

Lineáris klasszifikáció Feladat: lineáris diszkriminancia függvény meghatározása szeparáló hipersík De melyiket??? A legjobbat SVM

SVM (Support Vector Machine) Melyik a legjobb??? Amelyik maximalizálja a margó méretét margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Azaz keressük azt a w-t amelyre: margó Bármely i példára:,ha,ha pozitív negatív

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Azaz keressük azt a w-t amelyre: margó Bármely i példára:,ha,ha pozitív negatív

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Azaz keressük azt a w-t amelyre: margó Bármely i példára:,ha,ha Support Vector-ok pozitív negatív

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Support Vector (SV): A margó egyeneseire eső példák, azaz i példa SV, ha teljesül rá margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? x példa w egyenestől mért (előjeles) távolsága: margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? x példa w egyenestől mért (előjeles) távolsága: Mivel: margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Egy SV példa w egyenestől mért távolsága: margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Egy SV példa w egyenestől mért távolsága: Mivel:, ha x SV margó

SVM (Support Vector Machine) Keressük azt a egyenest amelyik maximalizálja a margó méretét. Hogyan??? Egy SV példa w egyenestől mért távolsága: Mivel:, ha x SV Így a margó mérete: margó

SVM (Support Vector Machine) Tehát az SVM feladata: maximalizálni a margó, amellett hogy jól osztályozza a példákat: A margó mérete: margó

SVM (Support Vector Machine) Tehát az SVM feladata: maximalizálni a margó, amellett hogy jól osztályozza a példákat (nem szeparálható eset): A margó mérete: margó

A feladatot a primál alakban oldja meg Pegasos SVM

Duális SVM A primál feladat átírható duális alakra a Lagrange-multiplikátorok segítségével:

Duális SVM Megmutatható: teljesül minden példára, azaz vagy csak a SV-ok esetén Tehát a hipersík megadható:

Duális SVM A hipersík megadható: Azaz az egyenes egyenlete: Kernel trükk:

Duális SVM kernel trükk Ha lineárisan nem szeparálhatóak a példák, transzformáljuk őket olyan térbe ahol igen! http://www.youtube.com/watch?v=3licbrzprza