Разделяющая гиперплоскость

Cтраница 2

Подпрограмма SCONT предназначена для оценки методом скользящего контроля качества построенной разделяющей гиперплоскости. Она реализует алгоритм SCONT, описанный в гл. [16]

Доказательство теоремы о седловой точке вновь основывается на теореме о разделяющей гиперплоскости. От-лмчие заключается только в том. [17]

Области диагнозов в простран - [ IMAGE ] Объединенная область диаг-стве признаков нозов. [18]

Следовательно, объединенная область D должна располагаться по одну сторону от разделяющей гиперплоскости (7.16) или, что равносильно, гиперплоскость не должна пересекать объединенную область диагноза. [19]

Большое число показов в процессе обучения позволяет ассоциирующей системе выявить, что разделяющая гиперплоскость 4 - 4 проходит внутри области В и области С. [20]

Таким образом, с помощью алгоритма 11 - 1 удается либо построить разделяющую гиперплоскость, либо установить, что безошибочное разделение векторов обучающей последовательности невозможно. [21]

В основе рассматриваемых в этой книге алгоритмов обучения распознаванию образов лежит специальный метод построения разделяющей гиперплоскости - метод обобщенного портрета. [22]

Этот подблок отыскивает среди векторов обучающей выборки векторы х и х, ближайшие к разделяющей гиперплоскости, образует из них пару и добавляет ее к группе выделенных пар. [23]

Решение этой задачи в схеме минимизации среднего риска заключается в том, чтобы построить разделяющую гиперплоскость, гарантирующую минимальную вероятность ошибки. Пусть решение выбирается среди гиперплоскостей, безошибочно делящих векторы обучающей последовательности. Те векторы, которые лежат по разные стороны гиперплоскости Г0, относятся к различным классам. [24]

Алгоритм для каждой из к заданных точек отыскивает наилучшую окрестность, строит в ней разделяющую гиперплоскость и классифицирует с ее помощью эту точку. Наилучшая окрестность определяется минимумом гарантированной вероятности ошибки при классификации точек окрестности с помощью разделяющей гиперплоскости. [25]

Рассмотрим теперь базовый алгоритм комплекса - алгоритм построения обобщенного портрета, с помощью которого строится разделяющая гиперплоскость или устанавливается, что безошибочное разделение заданных множеств векторов с помощью гиперплоскости невозможно. [26]

Собственная отделимость допускает, чтобы одно из множеств ( но не оба) лежало в разделяющей гиперплоскости. [27]

Следовательно, множители Лаг-раижа не обязательно являются единственными ( так как может быть больше одной разделяющей гиперплоскости) и при отсутствии дополнительных предположений, вообще говоря, не будут единственными. [28]

Реализуется блок EXAM ( описание - ниже), который с помощью экзаменационной выборки оценивает качество разделяющей гиперплоскости. [29]

Доказательство теоремы двойственности, предложенное в настоящей главе, основывается на теореме 1.4, которая в свою очередь использует теорему о разделяющей гиперплоскости или эквивалентные ей утверждения. Другое доказательство теоремы двойственности, использующее вычисления, приводится в приложении В. [30]

Страницы: 1 2 3 4