Anzeige
Erschienen in:
2020 | OriginalPaper | Buchkapitel
13. Support-Vector-Machines
verfasst von : Marlis von der Hude
Erschienen in: Predictive Analytics und Data Mining
Verlag: Springer Fachmedien Wiesbaden
Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by
Zusammenfassung
Während bei Klassifikationsbäumen das Klassenlabel durch Regeln zugewiesen wird, die geometrisch auch als Prognosebereiche mit linearen parallel zu den Koordinatenachsen verlaufenden Grenzen zu interpretieren sind, können bei Support-Vector-Machines ganz flexible Trennlinien als Grenzen bestimmt werden. Bei der Bestimmung dieser Grenzen kommen mathematische Verfahren aus der Optimierung zum Einsatz. Klassenhäufigkeiten bzw. -wahrscheinlichkeiten spielen hier keine Rolle. Das Verfahren ist zunächst nur für zwei Klassen geeignet, es kann jedoch auf mehr als zwei Klassen übertragen werden. Die Anwendung auf verschiedene Datensätze wird mit Beispielen illustriert.