1
Q
SVM, perché si introducono le slack variables?
A
- Si introducono per risolvere il problema di dati non linearmente separabili
- Punti non correttamente classificati vengono “spostati” nella regione corretta attraverso l’uso di slack variables
- Ogni spostamento ha un peso in termini di objective function
2
Q
SVM, mi scriva il problema di ottimizzazione con le slack variables
Mi scrive il problema di ottimizzazione delle SVM?
A
risposta
3
Q
Loss SVM
A
risposta
4
Q
A cosa serve il kernel in SVM?
A
- Mappa implicitamente i dati in uno spazio dimensionale superiore
- Non c’è bisogno di calcolare esplicitamente ogni trasformazione
5
Q
Mi scrive il kernel gaussiano in SVM? A cosa serve sigma come lo scelgo?
A
- Valori grandi tende a fare errori di classificazione ma evita overfitting
- Valori piccoli tende al overfitting
6
Q
Regolarizzazione SVM?
Le SVM usano regolarizzazione? quale?
A
- C è il parametro di regolarizzazione
- Valori piccoli permette ai vincoli di essere facilmente ignorabili (margine grande)
- Valori grandi rendono i vincoli difficili da ignorare (margine stretto)
- Un valore infinito impone tutti i vincoli (margine duro)
7
Q
SVM funzione di ottimizzazzione (la scriva)
A
risposta
8
Q
Kernel in SVM, learn SVM
A
risposta
9
Q
SVM perché dual problem
A
- Problemi di ottimizzazione quadratici hanno diverse possibili soluzioni
- Si utilizzano i moltiplicatori di Lagrange per risolvere i vincoli del problema di ottimizzazione
- Se αi>0 allora Xi è un vettore di supporto
- La soluzione ha bisogno solamente del prodotto scalare tra il punto test x e il vettore di supporto Xi
Machine learning
flashcards
Decks in class (14)
# Cards
