192
правки
Изменения
→Алгоритмы на основе графов
=== Генеративные модели ===
=== Полуавтоматические SVM ===
=== Алгоритмы на основе графов === Данные можно представить в виде графа, построенного с использованием знаний в предметной области или на основе сходства объектов. '''Дано''' * Вершины $X_l \cup X_u$* Рёбра, вычисленные исходя из признаков, например ** $k$ ближайших соседей** Полный граф, веса рёбер которого убывают с расстоянием, $w = exp(-\|x_i - x_j\|^2/\sigma^2)$ '''Найти''' сходство по всем путям. '''Регуляризация избыточности'''* Входные данные: ядро $K$, веса $\lambda_1, \lambda_2, (X_l, Y_l), X_u$* Построим граф сходств $W$ из вершин $X_l, X_u$, вычислим Лапласиан графа $\Delta$* Решим задачу оптимизации для $f(x) = h(x) + B, h(x) \in H$ <br> ${min}_f \sum\limits_{i = 1}^l (1 - y_i f(x_i))_+ + \lambda1\|h\|^2_{H_K} + \lambda_2 f_{1:n}^T \Delta f_{1:n} $ * Классифицируем новый объект $x$ из тестового множества, используя $sign(f(x))$ '''Достоинства алгоритмов на графах''' * Ясный математический аппарат* Высокая эффективность, когда граф соответствует задаче* Можно использовать ориентированные графы '''Недостатки'''* Низкая эффективность при плохом постоении графа* Зависимость от структуры графа и весов рёбер
=== Multiview Learning ===
