Support-Vector-Maschinen

Sven-Ake Wegner ()

Chapter Kapitel 14 in Mathematische Einführung in Data Science, 2023, pp 191-210 from Springer

Abstract: Zusammenfassung Wir bleiben im Setting von Kapitel 13, wollen aber nun den „besten“ Klassifizierer für eine linear trennbare Datenmenge finden. Letzterer, a.k.a. die Support-Vector-Maschine (SVM), ist hierbei derjenige Klassifizierer, bei dem die Entscheidungsgrenze den größtmöglichen Abstand zu den Datenpunkten hat. Die Aufgabe eine solche SVM zu finden, führen wir mithilfe des Satzes von Karush-Kuhn-Tucker auf ein quadratisches Optimierungsproblem zurück und diskutieren dann anhand von Beispielen die Bedeutung der auftauchenden Lagrangemultiplikatoren.

Date: 2023
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-662-68697-3_14

Ordering information: This item can be ordered from
http://www.springer.com/9783662686973

DOI: 10.1007/978-3-662-68697-3_14

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().