www-ai.cs.tu-dortmund.de/LEHRE/VORLESUNGEN/MLRN/WS1314/Folien/5SVMstruct.pdf
ngen an:
SVM1 : min~β,ξ 1 2‖~β‖
2 + C N
∑N i=1 ξi
∀i ,∀~y ∈ Y\~yi : 〈~β, δΨi (~y)〉 ≥ 1− ξi ∆(~yi ,~y)
(8)
SVM2 : min~β,ξ 1 2‖~β‖
2 + C 2N
∑N i=1 ξ
2 i
∀i ,∀~y ∈ Y\~yi : 〈~β, δΨi (~y)〉 ≥ 1− ξi√ ∆(~yi ,~y) [...] zum Optimieren
1 Input: T = {(~x1, ~y1), ..., ( ~xN , ~yN)},C, ε 2 Si := {} für alle i = 1, ...,N 3 Solange ein Si sich in der Iteration ändert: 4 for i = 1, ...,N do
5 Kosten: H(~y)
1− 〈δΨi (~y), ~β〉 [...] zum Optimieren
1 Input: T = {(~x1, ~y1), ..., ( ~xN , ~yN)},C, ε 2 Si := {} für alle i = 1, ...,N 3 Solange ein Si sich in der Iteration ändert: 4 for i = 1, ...,N do
5 Kosten: H(~y)
1− 〈δΨi (~y), ~β〉 …
