Klassifikation mit Support Vektor Maschinen

Diplomarbeit aus dem Jahr 1998 im Fachbereich Informatik - Theoretische Informatik Note: 15 Universität Ulm Sprache: Deutsch Abstract: Stellen Sie sich vor Sie könnten die Welt der Mustererkennung revolutionieren! Diese tiefgreifende Analyse der Support Vektor Maschinen (SVM) eröffnet Ihnen die Tür zu einer neuen Dimension des maschinellen Lernens. Von den fundamentalen Konzepten der Musterklassifikation einschließlich Bayes- und Maximum-Likelihood-Klassifikatoren bis hin zu den komplexen neuronalen Netzen wie Perzeptron und Learning Vector Quantization (LVQ) führt Sie diese Arbeit durch das gesamte Spektrum der modernen Klassifikationsmethoden. Der Fokus liegt dabei auf der detaillierten Untersuchung der SVM einer Methode die durch ihre Fähigkeit auch in hochdimensionalen Räumen optimale Trennhyperebenen zu finden besticht. Entdecken Sie wie Kernelfunktionen es ermöglichen nicht-lineare Zusammenhänge zu erkennen und somit eine präzisere Klassifikation zu erreichen. Ein besonderes Augenmerk gilt der quadratischen Optimierung dem mathematischen Herzstück der SVM sowie den Strategien zur Multiklassen-Diskriminierung die es erlauben die SVM auf Probleme mit mehr als zwei Klassen anzuwenden. Die praktische Relevanz dieser Techniken wird anhand eines realen Datensatzes zur Ziffernerkennung demonstriert. Die angewandten Vorverarbeitungsschritte wie z-Transformation und Principal Components Analysis (PCA) werden detailliert erläutert und ihre Auswirkungen auf die Klassifikationsleistung analysiert. Vergleiche mit anderen Methoden wie der LVQ runden die Analyse ab und verdeutlichen die Stärken und Schwächen der SVM im Kontext verschiedener Anwendungen. Tauchen Sie ein in die Welt der Support Vektor Maschinen und entdecken Sie das Potential dieser leistungsstarken Methode für Ihre eigenen Projekte im Bereich der Datenanalyse und Mustererkennung. Ob Ziffernerkennung Bildverarbeitung oder andere anspruchsvolle Klassifikationsaufgaben - diese Arbeit lief