Linear Separation and Classification Concepts

Machine Learning · notes

Voir tous les documents en intelligence artificielle et données

Année Universitaire 2020-2021

Walid Barhoumi & Slim Zouaoui

SEPARATION LINEAIRE

Input : Echantillon S={(x1,u1),…, (xn,un)}, avec xi € IRp

et ui € {-1, 1}

Séparation linéaire

g(x | w, b) = wt . x + b = (cid:3043)

Publicité

(cid:3037)(cid:2880)(cid:2869)

Fonction de décision

g(x | w, b) > 0  ui = 1

g(x | w, b) < 0  ui = -1

SEPARATION LINEAIRE

Input : Echantillon S={(x1,u1),…, (xn,un)}, avec xi € IRp

et ui € {-1, 1}

Publicité

Séparation linéaire

(cid:3043)

g(x | w, b) = wt . x + b = ∑

(cid:3037)(cid:2880)(cid:2869)

𝑤𝑗. 𝑥𝑗 + 𝑏

w0=b

Fonction de décision

Publicité

g(x | w, b) > 0  ui = 1

g(x | w, b) < 0  ui = -1

Multi-Classes

Multi-Classes

-b ≥ 1

  • (2w1+2w2+b) ≥ 1

2w1 + b ≥ 1

Publicité

3w1+b ≥ 1

Exemple « Iris »…SVM

26