Submit Search
Upload
MMDs 12.3 SVM
•
0 likes
•
975 views
M
mfumi
Follow
Mining of Massive Datasets 12.3 SVM
Read less
Read more
Technology
Report
Share
Report
Share
1 of 17
Download now
Download to read offline
Recommended
Infinite SVM [改] - ICML 2011 読み会
Infinite SVM [改] - ICML 2011 読み会
Shuyo Nakatani
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズム
Miyoshi Yuya
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
Infinite SVM - ICML 2011 読み会
Infinite SVM - ICML 2011 読み会
Shuyo Nakatani
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
Hidekazu Oiwa
[DL輪読会]“Submodular Field Grammars Representation” and “Deep Submodular Functi...
[DL輪読会]“Submodular Field Grammars Representation” and “Deep Submodular Functi...
Deep Learning JP
Learning Continuous Control Policies by Stochastic Value Gradients
Learning Continuous Control Policies by Stochastic Value Gradients
mooopan
Online Matching and Ad Allocaton 8章&9章半分
Online Matching and Ad Allocaton 8章&9章半分
Maruyama Tetsutaro
Recommended
Infinite SVM [改] - ICML 2011 読み会
Infinite SVM [改] - ICML 2011 読み会
Shuyo Nakatani
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズム
Miyoshi Yuya
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
Infinite SVM - ICML 2011 読み会
Infinite SVM - ICML 2011 読み会
Shuyo Nakatani
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
Hidekazu Oiwa
[DL輪読会]“Submodular Field Grammars Representation” and “Deep Submodular Functi...
[DL輪読会]“Submodular Field Grammars Representation” and “Deep Submodular Functi...
Deep Learning JP
Learning Continuous Control Policies by Stochastic Value Gradients
Learning Continuous Control Policies by Stochastic Value Gradients
mooopan
Online Matching and Ad Allocaton 8章&9章半分
Online Matching and Ad Allocaton 8章&9章半分
Maruyama Tetsutaro
Spring
Spring
Lutfiana Ariestien
Androidで画像処理リベンジ
Androidで画像処理リベンジ
Daisuke Takai
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
sleepy_yoshi
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
Tatsuki SHIMIZU
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習
Masayuki Tanaka
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
Vinculum
Vinculum
tomerun
TDA やら Night!!
TDA やら Night!!
Tatsuki SHIMIZU
動的計画法を極める!
動的計画法を極める!
HCPC: 北海道大学競技プログラミングサークル
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
Morpho, Inc.
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
博三 太田
Sec15 dynamic programming
Sec15 dynamic programming
Keisuke OTAKI
深層学習①
深層学習①
ssuser60e2a31
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
Morpho, Inc.
JSIAM_2019_9_4
JSIAM_2019_9_4
KoutaFunakoshi
Simulation_assignment2
Simulation_assignment2
T2C_
はじめてのパターン認識輪読会 10章後半
はじめてのパターン認識輪読会 10章後半
koba cky
Divisor
Divisor
oupc
Icml2011 reading-sage
Icml2011 reading-sage
正志 坪坂
More Related Content
What's hot
Spring
Spring
Lutfiana Ariestien
Androidで画像処理リベンジ
Androidで画像処理リベンジ
Daisuke Takai
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
sleepy_yoshi
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
Tatsuki SHIMIZU
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習
Masayuki Tanaka
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
Vinculum
Vinculum
tomerun
TDA やら Night!!
TDA やら Night!!
Tatsuki SHIMIZU
動的計画法を極める!
動的計画法を極める!
HCPC: 北海道大学競技プログラミングサークル
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
Morpho, Inc.
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
博三 太田
Sec15 dynamic programming
Sec15 dynamic programming
Keisuke OTAKI
深層学習①
深層学習①
ssuser60e2a31
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
Morpho, Inc.
JSIAM_2019_9_4
JSIAM_2019_9_4
KoutaFunakoshi
Simulation_assignment2
Simulation_assignment2
T2C_
はじめてのパターン認識輪読会 10章後半
はじめてのパターン認識輪読会 10章後半
koba cky
What's hot
(20)
Spring
Spring
Androidで画像処理リベンジ
Androidで画像処理リベンジ
ICML2013読み会: Distributed training of Large-scale Logistic models
ICML2013読み会: Distributed training of Large-scale Logistic models
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
Magnitude ~ extend the Euler Characteristics via Möbius Inversion ~
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Vinculum
Vinculum
TDA やら Night!!
TDA やら Night!!
動的計画法を極める!
動的計画法を極める!
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
Sec15 dynamic programming
Sec15 dynamic programming
深層学習①
深層学習①
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
JSIAM_2019_9_4
JSIAM_2019_9_4
Simulation_assignment2
Simulation_assignment2
はじめてのパターン認識輪読会 10章後半
はじめてのパターン認識輪読会 10章後半
Similar to MMDs 12.3 SVM
Divisor
Divisor
oupc
Icml2011 reading-sage
Icml2011 reading-sage
正志 坪坂
SVM
SVM
Yuki Nakayama
TokyoNLP#5 パーセプトロンで楽しい仲間がぽぽぽぽ~ん
TokyoNLP#5 パーセプトロンで楽しい仲間がぽぽぽぽ~ん
sleepy_yoshi
Coreset+SVM (論文紹介)
Coreset+SVM (論文紹介)
Naotaka Yamada
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
Dive into XGBoost.pdf
Dive into XGBoost.pdf
Yuuji Hiramatsu
Semi-supervised Active Learning Survey
Semi-supervised Active Learning Survey
Yo Ehara
SVM
SVM
Yuki Nakayama
Similar to MMDs 12.3 SVM
(9)
Divisor
Divisor
Icml2011 reading-sage
Icml2011 reading-sage
SVM
SVM
TokyoNLP#5 パーセプトロンで楽しい仲間がぽぽぽぽ~ん
TokyoNLP#5 パーセプトロンで楽しい仲間がぽぽぽぽ~ん
Coreset+SVM (論文紹介)
Coreset+SVM (論文紹介)
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Dive into XGBoost.pdf
Dive into XGBoost.pdf
Semi-supervised Active Learning Survey
Semi-supervised Active Learning Survey
SVM
SVM
More from mfumi
MMDs10.6-7
MMDs10.6-7
mfumi
IA16 2
IA16 2
mfumi
IA16
IA16
mfumi
IA14
IA14
mfumi
木を綺麗に描画するアルゴリズム
木を綺麗に描画するアルゴリズム
mfumi
MMDs Chapter 9
MMDs Chapter 9
mfumi
グラフを奇麗に描画するアルゴリズム
グラフを奇麗に描画するアルゴリズム
mfumi
Algorithms Introduction 9章
Algorithms Introduction 9章
mfumi
MMDs 6.3-6.5
MMDs 6.3-6.5
mfumi
MMDs Chapter 5.1 PageRank
MMDs Chapter 5.1 PageRank
mfumi
xv6のコンテキストスイッチを読む
xv6のコンテキストスイッチを読む
mfumi
ファイルの隠し方
ファイルの隠し方
mfumi
More from mfumi
(12)
MMDs10.6-7
MMDs10.6-7
IA16 2
IA16 2
IA16
IA16
IA14
IA14
木を綺麗に描画するアルゴリズム
木を綺麗に描画するアルゴリズム
MMDs Chapter 9
MMDs Chapter 9
グラフを奇麗に描画するアルゴリズム
グラフを奇麗に描画するアルゴリズム
Algorithms Introduction 9章
Algorithms Introduction 9章
MMDs 6.3-6.5
MMDs 6.3-6.5
MMDs Chapter 5.1 PageRank
MMDs Chapter 5.1 PageRank
xv6のコンテキストスイッチを読む
xv6のコンテキストスイッチを読む
ファイルの隠し方
ファイルの隠し方
Recently uploaded
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(12)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
MMDs 12.3 SVM
1.
MMDs 12.3 SVM
2.
Support Vector Machine
(SVM) • 境界面と境界面に最も近いデータ点との距離を最大化 するように境界面を決定
3.
定式化 (未完) • とりあえず,線形分離可能な場合について •
訓練集合 (yi = 1 or +1) が与えられたとき,全てのiについて を満たすγのうち,最大のもとを求めたい • の両辺を定数倍するとγはいくらでも大 きくなる
4.
以下のように境界面をとるようにする
5.
定式化 • 適当な定数を掛ける事でサポートベクタに対し (or -1
) となるようにできる • 図より, , より -1=
6.
定式化 • 結局, γの最大化
→ の最小化問題に • 解くべき問題は, 最小化 制約条件 (i = 1,2,…,n)
7.
問題例 制約条件: 最小化: ||w|| = p u2
+ v2
8.
もう少し一般の場合 • 先ほどは完全に線形分離できる場合だった • 一般にはノイズ等の影響でだいたい分離できても100% はできないことがある •
また,100%分離できたとして,過学習してしまう可能 性がある
9.
完全に線形分離できない例
10.
完全に線形分離できない場合 • 分類に失敗したものに対してペナルティを与える • 以下の関数を制約条件のもとで最小化する (C:
定数) 第一項: ||w|| についての関数 第二項: 損失関数 (ヒンジ関数)
11.
を最小化する理由 • ||w|| の単調関数ならなんでもいい •
||w|| はルートを含むので計算しにくい • だと2次式で表現され,さらに =
12.
ヒンジ関数
13.
SVMの解法 • よく使われるのは,2次計画問題(QP, 目的関数が2次関 数で制約条件が1次関数の最適か問題)
として解く方法 アルゴリズムとしてはSMOなど • 大規模なデータに対しては,最急降下法 (Gradient Descent) が有効 (逐次計算なのでメモリに優しい)
14.
最急降下法によるSVMの解法 • f の勾配は, •
以下の式で w を更新していく (η: 定数)
15.
最急降下法によるSVM解法の例
16.
最急降下法によるSVM解法の例 • C =
0.1, η = 0.2
17.
確率的最急降下法 (Stochastic Gradient
Descent) • 実際に大規模データを扱うときは,全ての訓練集合を 扱うと量が膨大なので,一部を抽出して学習すること がある => SGD
Download now