SVM

Support Vector Machines

Hyperplane● Pengelompokan pola dua

kelas dapat dinotasikan sebagai

{x i , y i }● dengan:

– xi adalah vektor pola N dimensi

– y i∈{−1,1}● Garis putus-putus adalah

alternatif bidang pemisah kelas

Persamaan Hyperplane

w⋅x+b=0w=vektor bobotx=vektor polab=bias

● Perhatikan, persamaan di atas sama dengan persamaan yang digunakan pada perceptron

Hyperplane Optimal

● H adalah bidang pemisah● H1 dan H2 adalah bidang

dengan titik-titik data yang terletak paling dekat dengan kelas lainnya (berwarna abu-abu)

● Titik-titik data yang berwarna abu-abu disebut sebagai support vector

Hyperplane Optimal

SVM data terpisah linear

● Jika ada l data pelatihan dua kelas yang terpisah secara lineary i∈{−1,1}

● SVM mencari jarak antara dua kelas yang terkecil

Nilai bobot

Quadratic Programming solver

Setiap support vector

b menggunakan rerata

SVM data yang tidak benar-benar terpisah

Non Linear SVM

● Dipetakan ke dimensi yang lebih tinggi

Fungsi Kernel

Pelatihan SVM

Klasifikasi

Multiclass SVM

● 1 vs rest● dagsvm