Deutsch
Menü

Grundlagen des maschinellen Lernens

Welche Beschreibung der Support Vector Machine (SVM) trifft zu?

  1. ASie zieht die Grenze so, dass der mittlere Abstand aller Punkte zur Grenze maximal wird, und nutzt dabei alle Trainingspunkte möglichst gleichmäßig
  2. BUnter den Grenzen, die zwei Klassen trennen, wählt sie diejenige, bei der der Abstand (Margin) zu den der Grenze am nächsten liegenden Daten (den Stützvektoren) maximal ist
  3. CSie nimmt an, dass die Merkmale innerhalb jeder Klasse voneinander unabhängig sind, und klassifiziert, indem sie die Wahrscheinlichkeit jeder Klasse mit dem Satz von Bayes berechnet
Antwort und Erläuterung anzeigen

Antwort: B. Unter den Grenzen, die zwei Klassen trennen, wählt sie diejenige, bei der der Abstand (Margin) zu den der Grenze am nächsten liegenden Daten (den Stützvektoren) maximal ist

Eine SVM ist ein Klassifikationsverfahren, das unter den Grenzen (Hyperebenen), die zwei Klassen trennen, diejenige mit dem größten Margin wählt. Die Grenze wird nur von den wenigen ihr am nächsten liegenden Datenpunkten (den Stützvektoren, Support Vectors) bestimmt und ändert sich nicht, wenn sich andere Datenpunkte etwas verschieben. Eine Grenze mit großem Margin macht vermutlich auch bei neuen Daten weniger Fehler. Für Daten, die sich nicht durch eine Gerade trennen lassen, erzielt die Kernel-Methode dieselbe Wirkung wie eine Trennung in einem höherdimensionalen Raum.

Dieses Thema üben Zur Themenseite

Weitere Fragen zu Grundlagen des maschinellen Lernens

  1. 20 % aller E-Mails sind Spam. Ein bestimmtes Wort kommt in 50 % der Spam-Mails und in 5 % der übrigen E-Mails vor. Welcher Wert liegt der Wahrscheinlichkeit am nächsten, dass eine E-Mail mit diesem Wort Spam ist?
  2. Welche logische Funktion lässt sich nicht mit einem einfachen Perzeptron darstellen, das nur aus Eingabe- und Ausgabeschicht besteht (ein einzelnes Neuron, das über einen Schwellenwert 0 oder 1 ausgibt)?
  3. Bei einer Klassifikation mit drei Klassen betragen die Eingabewerte der Softmax-Funktion (Logits) 3, 1 und 0. Etwa das Wievielfache der Ausgabe (Wahrscheinlichkeit) der zweiten Klasse ist die Ausgabe der ersten Klasse? Welcher Wert liegt am nächsten?
  4. Ein kleines neuronales Netz mit den Eingaben x₁ = 1 und x₂ = 2 hat zwei Neuronen in der verborgenen Schicht, h₁ = ReLU(x₁ + x₂ − 1) und h₂ = ReLU(x₁ − 2x₂ + 1), und die Ausgabe y = 2h₁ + 3h₂ + 1. Welchen Wert hat y?
  5. Sei p die Wahrscheinlichkeit, die ein Modell für die richtige Klasse ausgibt. Welche Beschreibung des beim Training von Klassifikatoren verwendeten Kreuzentropie-Verlusts −log p trifft zu?