Support Vector Machines For Pattern Recognition
Stefan Eberhardt · 2006
uhrt. Im Anschluss daran werden lineare SVMs flinear-separierbare Daten be- schrieben. Dieser einfachste Fall des Lernproblems wird anschliesend verwendet, um die linearen SVMs auf den Fall von nicht linear-separierbaren Daten zu erweitern. Mit diesem Wissen werden in Abschnitt 3 nichtlineare Support Vektor Maschinen untersucht und es wird gezeigt, wie mit Hilfe von Kernel-Funktionen SVM-Lkonstruiert werden kdie nicht linear auf den Daten sind. Der letzte Teil der Ausarbeitung widmet sich den Eigenschaften von SVMs. Hier werden neben der VC Dimension und der Generalisierungsfvon SVMs auch Probleme und Einschrdieses Ansatzes betrachtet.