A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

SVM Support Vector Machines Ticiano A. C. Bragatto

Apresentações semelhantes


Apresentação em tema: "SVM Support Vector Machines Ticiano A. C. Bragatto"— Transcrição da apresentação:

1 SVM Support Vector Machines Ticiano A. C. Bragatto

2 TE-803 Inteligencia Artificial Aplicada - UFPR 2 Sumário Vladimir Vapnik Histórico Conceito Classificação Regressão Kernel trick Aumento de Dimensões Espaços: Entrada versus Característica Classificadores Lineares Margem Máxima Problemas Primal e Dual Aplicações Conclusão Como Programar

3 TE-803 Inteligencia Artificial Aplicada - UFPR 3 Vladimir Naumovich Vapnik Soviético Mestrado na Universidade do Uzbequistão(1958) Ph. D. em estatística no Institute of Control Science de Moscou(1964) Professor nesse Instituto ( ) Nomeado professor do Royal Holloway, Universidade de Londres(1995) AT&T Bell Labs ( ) Atualmente: Funcionário da NEC e professor na Universidade de Columbia(NY)

4 TE-803 Inteligencia Artificial Aplicada - UFPR 4 Histórico Kernel linear: 1963 – Vladimir Vapnik Kernel trick: 1992 – Boser, Guyon e Vapnik Regressão: 1997 – Vapnik, Golowich e Smola

5 TE-803 Inteligencia Artificial Aplicada - UFPR 5 Conceito Classificação Duas classes Regressão Métodos de treinamento assistido Kernel trick

6 TE-803 Inteligencia Artificial Aplicada - UFPR 6 Classificação(Vapnik 1963) Duas classes Sim ou Não Preto ou Branco Laranja ou Banana 0 ou 1 -1 ou 1 (usado para as contas) Linear (Vapnik 1963) Kernel trick(Vapnik et al 1992)

7 TE-803 Inteligencia Artificial Aplicada - UFPR 7 Regressão(Vapnick ) É criada com máxima margem, como problemas de classificação Pode usar kernels lineares e não lineares(Gauss Radial Basis Function(RBF), polinomial, sigmoidal)

8 TE-803 Inteligencia Artificial Aplicada - UFPR 8 Kernel Trick Converte problemas não lineares em lineares em espaço de altíssima dimensão Transforma funções que dependem de produto interno Substitui o produto interno com outras funções: RBF: Polinomial homogêneo: Polinomial não homogêneo: Sigmoidal:

9 TE-803 Inteligencia Artificial Aplicada - UFPR 9 Aumento de Dimensões Para uma função de Base Quadratica O número de termos (para m dimensões de entrada) =(m+2)(m+1)/2 Para m=2 6-D Para m=3 10-D E para uma função de kernel elevada a 3? E como aproximar uma Sigmoidal?

10 TE-803 Inteligencia Artificial Aplicada - UFPR 10 Espaços: Entrada versus característica

11 TE-803 Inteligencia Artificial Aplicada - UFPR 11 Classificadores Lineares Dados os dois conjuntos ao lado Esta é uma boa forma de separação?

12 TE-803 Inteligencia Artificial Aplicada - UFPR 12 Classificadores Lineares Ou esta?

13 TE-803 Inteligencia Artificial Aplicada - UFPR 13 Classificadores Lineares Qual destas é a melhor? Para RNA, qualquer uma destas retas é satisfatória, uma vez que separou corretamente os conjuntos!

14 TE-803 Inteligencia Artificial Aplicada - UFPR 14 Classificadores Lineares Para SVM, a melhor reta é aquela que mais se distancia dos pontos(vetores) de ambos os conjuntos, formando a maior margem possível

15 TE-803 Inteligencia Artificial Aplicada - UFPR 15 Classificadores Lineares Margem Máxima Intuitivamente é mais seguro Se erramos na localização das bordas, uma margem maior nos dá menor chance de erro É imune à remoção de algum vetor que não seja um SV Segundo a teoria Vapnik- Chervonenkis( ), o erro é minimizado para uma margem maximizada Empiricamente funciona muito bem

16 TE-803 Inteligencia Artificial Aplicada - UFPR 16

17 TE-803 Inteligencia Artificial Aplicada - UFPR 17

18 TE-803 Inteligencia Artificial Aplicada - UFPR 18

19 TE-803 Inteligencia Artificial Aplicada - UFPR 19

20 TE-803 Inteligencia Artificial Aplicada - UFPR 20

21 TE-803 Inteligencia Artificial Aplicada - UFPR 21

22 TE-803 Inteligencia Artificial Aplicada - UFPR 22

23 TE-803 Inteligencia Artificial Aplicada - UFPR 23

24 TE-803 Inteligencia Artificial Aplicada - UFPR 24

25 TE-803 Inteligencia Artificial Aplicada - UFPR 25 Problemas Primal e Dual Primal Restrição: Erro nos vetores de treino Dual Restrição: Parâmetro Custo C

26 TE-803 Inteligencia Artificial Aplicada - UFPR 26 Aplicações Identificação de Proteínas, 2000 Impressões Digitais, 2001 Detecção e reconhecimento de faces, 1997/2000 Reconhecimento de textos, 1998 Assinaturas, 2003 Análise de Crédito, 1999 Indústria de Mineração, 2003 Siderurgia, 2004 Técnica ganhadora no concurso mundial de predição de carga elétrica, 2001

27 TE-803 Inteligencia Artificial Aplicada - UFPR 27 Conclusão: Otimização RNA versus SVM RNA: Mínimo Local Definir a quantidade de neurônios na camada intermediária SVM: Mínimo Global Definir o melhor parâmetro C (custo)

28 TE-803 Inteligencia Artificial Aplicada - UFPR 28 Como programar: MATLAB: Lenta porém não há necessidade de preocupação com o parâmetro C LibSVM: Biblioteca existente em várias linguagens Usada em diversas aplicações e nossa aula prática


Carregar ppt "SVM Support Vector Machines Ticiano A. C. Bragatto"

Apresentações semelhantes


Anúncios Google