Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Einführung in das Maschinelle Lernen > Vorlesung 8 > Flashcards

Vorlesung 8 Flashcards

1
Q

Beschreib die Lineare/Binäre Klassifikation

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Wodurch wird eine Gerade bei der binären Klassifikation beschrieben?

A

Durch die Hesse-Normalform
Gleiches gilt auch im R^d. Hier ist die Gerade eine Hyperebene, die durch den Normalenvektor w aus R^d und den Offset b aus R beschrieben wird als

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Wie klassifiziert man nun anhand der Hesse-Normalform?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Welches Problem bekommt man, wenn man versucht die Verlustfunktion der binären/linearen Klassifikation zu minimieren?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Was ist die logistische Regression?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Was ist der Hinge Loss?

A

max(0,1 - t)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Was ist der quadratische Hinge Loss?

A

max(0,1 - t)^2

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Nenn die verschiedenen Ansätze, um einen binären Klassifikator für Multiklassen-Klassifikationen zu benutzen

A
  • Eins-vs-Rest
  • Eins-vs-Eins
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Beschreib den Eins-vs-Rest Ansatz

A
  • Trainiere einen binären Klassifikator für jede Klasse, wobei sie als positiv und der Rest als negativ behandelt wird
  • Vorhersage der Klasse mit der höchsten Punktzahl
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Beschreib den Eins-vs-Eins Ansatz

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Wozu führt ein großer Rand bei SVMs?

A

einer geringeren Komplexität des Klassifikators

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Wie bestimmt man den vorzeichenbehafteten Abstand eines Punktes zu einer Hyperebene?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Wie klassifiziert man via SVMs?

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Was ist Hard Margin SVM?

A

Klassifikator, bei dem keine fehlklassifizierten
Datenpunkte erlaubt sind

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Was ist Soft Margin SVM

A
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Was tun, wenn die Daten nicht linear trennbar sind?

A
  • Dann können wir wieder den Basisfunktionen-Trick verwenden.
  • Erweitere X um passende Basisfunktionen, z.B. Polynome
17
Q

Was ist der Vorteil an Hard Margin SVMs?

A
18
Q

Was ist der Nachteil an Hard Margin SVMs?

A

die Annahme, dass der Datensatz linear separierbar ist, ist etwas zu restriktiv

19
Q

Was ist der Vorteil an Soft Margin SVMs?

A

Kann effizient gelöst werden, da es sich immer noch um ein konvexes Optimierungsproblem mit Nebenbedingungen handelt, aber nicht zu restriktiv ist (erlaubt Fehler)

Einführung in das Maschinelle Lernen (11 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions