Übung 11: Fragen & Antworten
Konrad Rieck
wenn Ihr fragen zum Übungsblatt habt, schreibt doch einfach
an die Newsgroup. So können andere Eure Fragen lesen, mitüberlegen
und antworten liefern.
Hier ein paar Fragen, die bei mir angekommen sind:
a) Ist die Kernmatrix zu einer Kernfunktion immer symmetrisch?
Eine Kernfunktion ist immer symmetrisch. Eine Kernmatrix
nicht unbedingt:
Wenn ich für n Datenpunkte alle Paare von Kernwerten berechne,
erhalte ich eine symmetrische Matrix der Größe n x n.
Wenn ich alle Paare zwischen zwei Mengen mit jeweils n und m
Datenpunkten berechne, erhalte ich eine nicht symmetrische
Matrix der Größe n x m.
b) In der Programmieraufgabe in der Funktion trainSVM: Ist die
Ausgabe svm.y gleich der die Eingabe Y?
Ja. Man merkt sich die Labels der Eingabedaten, um damit später
Vorhersagen machen zu können.
c) Wie bestimmt man die Support-Vektoren aus der Menge der Eingabevektoren X?
Support-Vektoren sind alle Eingabevektoren mit alpha > 0.
Viele Grüße,
Konrad
--
Dr. Konrad Rieck (konrad...@tu-berlin.de)
Machine Learning Group, Technische Universität Berlin
Franklinstrasse 28/29, 10587 Berlin, Germany
Tel: +49 30 314-78630, Fax: +49 30 314-78622
ro
ich wollt mal nachfragen:
1. ) wenn ich mit QUADPROC auch alphas kleiner 0 zurückbekomme
(siehe unten: AUSGABE),
kann ich dann darauf schliessen,
dass ich irgend etwas falsch mache; (lowerBOUND = 0;
upperBOUND = C)
2.) ANALOG ... wenn eigentlich die wenigsten gleich 0 sind
3.) ANALOG ....large-scale <=> medium-scale ...method
(siehe: AUSGABEN)
-------------------------------
AUSGABEN-------------------------------------------------------
Warning: Large-scale method does not currently solve this problem
formulation,
using medium-scale method instead.
> In quadprog at 263
In sheet10>trainSVM at 48
In sheet10 at 13
Optimization terminated.
alphas =
1.0e+004 *
-0.000000000000000
0.024938982669979
-0.014063081902263
0.005482153679406
-0.002322087964352
-0.003709969336612
0.087820025646568
0.277601869024722
-0.115177984725240
0.063897243537894
0.033630259718664
-0.063229069211491
...
fval =
-2.905912536106554e+003
exitflag =
1
output =
iterations: 2
algorithm: 'medium-scale: active-set'
firstorderopt: []
cgiterations: []
message: 'Optimization terminated.'
lambda =
lower: [128x1 double]
upper: [128x1 double]
eqlin: 0.119476759801536
ineqlin: [0x1 double]
ro
... hat sich erledigt.