SVM. Support vector Machines David Masip Rodó

Índice   §   Teoría  del  aprendizaje  estadís1co   §   SVM:  Margen   §   Ejemplo   §   Conclusiones    

Teoría  del  aprendizaje  estadís8co   Minimización  del  riesgo  empírico   §   Construcción  de  hipótesis  que  cometan  pocos  errores  

  Minimización  del  riesgo  estructural   §   Construcción  de  hipótesis  que  minimicen  el  riesgo  de   cometer  errores  en  clasificaciones  futuras.   §   Vladimir  Vapnik  The  Nature  of  Sta-s-cal  Learning   Theory  

Teoría  del  aprendizaje  estadís8co   Modelo  de  clasificación  lineal:  maximización  del  margen    

§   Variar  w  hasta  encontrar  la  separación  óp1ma  en  términos   del  margen  

SVM:  Margen   Cálculo  del  SVM    

§   Concepto  del  producto  escalar  como  distancia.    

Margen  M  

SVM:  Margen   Cálculo  del  SVM    

§   Op1mización  cuadrá1ca  (convexa).  Solución  eficiente.     Queremos  maximizar   el  margen    

Solución:  

Sujeto  a:  

Ejemplo   SVM  en  un  problema  bidimensional   § Generación  de  datos  linealmente  separables.  

Conclusiones   § SVM  es  uno  de  los  clasificadores  del  estado  del  arte,   op1mizando  el  error  estructural   § Encuentra  la  frontera  de  decisión  lineal  óp1ma    

Limitaciones   § Sensibilidad  al  ruido  en  los  puntos  de  soporte   § Datos  no  linealmente  separables  

  Soluciones   § Añadir  el  concepto  de  tolerancia   § Extensión  no  lineal  usando  kernels.            

 

Para  saber  más….