192
правки
Изменения
→Полуавтоматические SVM
=== Генеративные модели ===
=== Полуавтоматические SVM ===
[[File:S3VM-margin.png|thumb|300px|Зазор, разделяющий неразмеченные данные]]
Полуавтоматические SVM (англ. ''Semi-supervised SVMs'', ''S3VMs''), они же ''транстуктивные SVM'' (TSVMs) решают задачу максимизации зазора (''margin'') между неразмеченными данными.
'''Идея'''
* Перечислить все $2^u$ возможные способы разметки множества $X_u$
* Построить стандартную SVM для каждой разметки (и для $X_l$)
* Взять SVM с наибольшим зазором
'''Постановка задачи'''
* Два класса $y \in {+1, -1}$
* Размеченные данные $(X_l, Y_l)$
* Ядро $K$
* Гильбертово пространство функций $H_K$ (RKHS)
С помощью SVM '''найти''' функцию $f(x)=h(x)+b$, где $h \in H_K$ и классифицировать $x$ с помощью $sign(f(x))$
'''Алгоритм'''
1. Входные данные:
'''Достоинства S3VM'''
* Применимо везде, где применимы классические SVM
'''Недостатки'''
* Трудности в оптимизации
* Алгоритм может сходиться к неправильной (''плохой'') целевой функции
* Менее мощный подход, по-сравнению с алгоритмами на графах и генеративными моделями, т. е. потенциально менее эффективное обучение
=== Алгоритмы на основе графов ===
