Разделяющая гиперплоскость
Cтраница 1
Разделяющая гиперплоскость на каждом таксоне строится с помощью модифицированного блока VOP. При установлении факта неразделимости множества векторов, принадлеж ащих 1Т - му таксону, построение обобщенного портрета прекращается. В алгоритме KLOP построение таксонной структуры осуществляется только для векторов обучающей выборки. [1]
Задача построения разделяющей гиперплоскости, минимизирующей число неправильно классифицируемых векторов, принципиально может быть решена, коль скоро решена задача построения разделяющей гиперплоскости, но точное ее решение требует большого перебора вариантов. Поэтому используем эвристический прием, позволяющий сократить перебор. [2]
Функцию, описывающую разделяющую гиперплоскость, можно разложить на ряд, бесконечный в общем случае, по какой-нибудь полной системе функций от входных факторов. [3]
 |
Весовой вектор и разделяющая плоскость. [4] |
В дополненном пространстве признаков разделяющая гиперплоскость всегда проходит через начало координат. [5]
В Шп проблема существования разделяющей гиперплоскости сравнительно элементарна и не требует для своего решения аксиомы выбора. Основная конструкция описывается в доказательстве следующей теоремы. [6]
Таким образом, теоремй о разделяющей гиперплоскости утверждает, что иыпуклое замкнутое множество X можно отделить от любой точки а & Х с помощью опорной гиперплоскости. [7]
Тем самым доказана следующая теорема о разделяющей гиперплоскости для незамкнутых выпуклых множеств. [8]
Таким образом, мы либо построим разделяющую гиперплоскость, либо установим, что безошибочное разделение векторов обучающей последовательности невозможно. [9]
Из-за случайности подбора коэффициентов а не все разделяющие гиперплоскости пройдут в пространстве образов удачно. [10]
 |
Разделение двух распределений. [11] |
Покажем, что правило ближайшего среднего устанавливает разделяющую гиперплоскость перпендикулярно к вектору разности средних значений. Это свойство, которым не обладает исходная: система координат, является значительным преимуществом нормированной системы координат. [12]
 |
Разделение двух распределений. [13] |
Покажем, что правило ближайшего среднего устанавливает разделяющую гиперплоскость перпендикулярно к вектору разности средних значений. Это свойство, которым не обладает исходная: система координат, является значительным преимуществом нормированной системы координат. [14]
Таким образом, в результате обучения получается система разделяющих гиперплоскостей на каждом уровне разбиения обучающей выборки на группы классов. Этот процесс разбиения обучающей выборки можно представить в виде графа типа прадерева-бифурканта, корню которого соответствует вся обучающая выборка, висячим вершинам - отдельные классы, а остальным вершинам - некоторые группы классов. [15]
Страницы: 1 2 3 4