Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
1
Präsentiert von Torben Pastuch
am Seminar für Computerlinguistik der Uni Heidelberg Datum:
2
CXT verwendet „Support Vector Machines“...
Machine Learning Verfahren X Neuronale Netzwerke Genetische Algorithmen SUPPORT VECTOR MACHINES
3
Erstmals Thema 1992 auf der COLT-92
Praxisrelevante Forschung seit 1995 Findet Verwendung in folgenden Gebieten... Biometrie (z.B. Gesichtserkennung) Computerlinguistik (z.B. Textkategorisierung) Allgemein gesprochen ... „Mustererkennung“ Ermöglicht das Lernen von Klassifizierungen Kombination von mehreren bekannten Konzepten
4
Eine Einführung in „Support Vector Machines“
SVMs & Chunking Praxis-Demonstration: „Proof of Concept“
5
Fand erste Anwendung im „Perceptron“ (1956)
b x-b x Fand erste Anwendung im „Perceptron“ (1956)
6
Es existieren relativ einfache Algorithmen
Algorithmen sind schnell und massendatentauglich Nur linear separable Klassen können gelernt werden Lösung ist nicht immer ideal
7
x y R Hyperebene (Punkt) R Gesucht ist also
8
SVM hängen ausschließlich von den Skalarprodukten der Trainingsdaten ab
Kernel-Funktion
9
Ein Beispiel für einen Kernel: Der Polynomial-Kernel
10
Polynomialer Kernel Radial Basis Function Kernel (RBF) Sigmoider Kernel
11
Nur linear separable Klassen können gelernt werden
Lösung ist nicht immer ideal
12
w -1 +1 < 0 > 0
13
Berechnung der „wirklichen Breite“
14
Formalisierung der Trainingsdaten
Nun ist folgendes zu erreichen: Minimiere: Unter der Bedingung, dass:
15
…diese Funktion Maximiere unter diesen Bedingungen
16
Für die Lösung gilt…
17
vi yi Die Trainingsdaten sind folgendermaßen aufgebaut
Wort: wi-2 wi-1 wi wi+1 wi+2 POS: ti-2 ti-2 ti-2 ti-2 ti-2 yi z.B.: +1, wenn „wi ist Anfang einer NP“ Und -1, wenn „wi ist nicht Anf. einer NP“ Für die Trainingsdaten wurde der (V2) verwendet. (ca Sätze ca Wörter)
18
Was verursacht die Probleme beim Chunken?
Es muss der „passende“ Kernel gefunden werden Es gilt, alle Parameter ideal zu wählen Der Algorithmus ist vergleichsweise langsam Komplexität: O(n2) bis O(n3)
19
IRChunker Output CSVM IRTagger CPoCDemo
Die CSVM-Klasse ist aufgabenunabhängig. Möglichst allgemeine und effiziente Implementierung
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.