Diskussion:Support-Vector-Machine

aus Wikipedia, der freien Enzyklopädie

Du hast neue Nachrichten (Unterschied zur vorletzten Version).

Inhaltsverzeichnis

1 Überarbeitung
2 Kategorien
3 Polynom-Ansatz
4 Verschiebung und Überarbeitung
5 Vladimir Vapnik
6 Bedingungen für die Anwendung

[Bearbeiten] Überarbeitung

Wir haben den Artikel einer sehr umfassenden Revision unterzogen, da sich durch zahlreiche Bearbeitungen doch zahlreiche Ungenauigkeiten eingeschlichen hatten. Ausserdem sind die wesentlichen Gleichungen jetzt ebenfalls vorhanden. Als Kategorien habe ich Klassifikation, Maschinelles Lernen und Statistik gewählt. Wir hoffen mit der Überarbeitung auch die meisten offenen Punkte berücksichtigt zu haben (Vapnik, Kernel, Nichtlinearität, Support-Vektor).

--phb 16:54, 11. Aug 2006 (CEST)

[Bearbeiten] Kategorien

Ich hatte den Artikel Suppport-Vector Maschine der Kategorie Neuroinformatik zugeordnet, leider hat Benutzer:Zenogantner meine Kategorie wieder entfernt. Als Begründung gibst Du an, Du habest diese als unpassend empfunden. Suppoer-Vektor Maschinen spielen meiner Ansicht nach eine große Rolle in der Neuroinformatik. Dazu weisen z.B. auch die kommentierten Vorlesungsverzeichnisse der Unis Bielefeld und Bochum hin (Die beiden habe ich auf die schnelle gegoogelt), die beide SVM im Rahmen von Neuroinformatik Veranstaltungen behandeln.

KVV NI veranstatungen Uni Bielefeld KVV NI veranstatungen Uni Bochum

Vielelicht ist Neuroinformatik als einzige Kategorie nicht ganz korrekt, ich finde die Kategorie aber durchaus als passend und würde sie wenn Du nichts dagegenhast wieder eintragen.--Ixitixel

"Neuroinformatik" ist als Kategorie nicht korrekt, vgl. Definition im Artikel Neuroinformatik:

Sie ist die Wissenschaft, die sich mit der Informationsverarbeitung in neuronalen Systemen befaßt, dies schleißt sowohl biologische- wie auch Künstliche Neuronale Netze ein.

SVMs fallen da wohl sicher nicht rein. Noch stärker ersichtlich wird dies bei der dort vorgenommenen Abgrenzung "Neuroinformatik" vs. "Künstliche Intelligenz":

Im Gegensatz zur Künstliche Intelligenz, einer Fachrichtung der Informatik deren Ziel es ist Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz, der es aber egal ist, wie diese Intelligenz zustande kommt, arebiette die Neuroinformatik viel näher an der biologischen Gegebenheiten.

SVMs orientieren sich nicht an der Biologie.

Das tun viele der anderen unter Neuroinformatik aufgeführten Algorithmen ebenso wenig - bspw. der Backpropagationalgorithmus hat mit Neurobiologie auch nichts zu tun. phb

Abgesehen davon halte ich den Artikel für nicht so gelungen, ebensowenig halte ich die Definition eines eigenen Feldes der "Neuroinformatik" für problematisch, es gibt viele ähnliche Dinge, die unter anderem Namen laufen, so wurden bspw. im vergangenen Herbst an mehreren deutschen Unis (unter anderem in Freiburg und München) mehrere "Bernstein Center for Computational Neurosciences" eingerichtet (siehe http://www.bernstein-zentren.de/). Es fehlt im Artikel die Abgrenzung von den biologischen Neurowissenschaften, wenn diese erfolgt, bleibt irgendwie kein Platz mehr für das Feld der Neuroinformatik zwischen den Neurowissenschaften, konnektionistischen Ansätzen in der Kognitionswissenschaft und der anwendungsorientierten Informatik.

Doch: Die Neuroinformatik benutzt von der Neurobiologie inspirierte (und mehr ist es in den meisten Fällen wirklich nicht) Verfahren, um meist technischere Fragestellungen zu bearbeiten. Computational Neuroscience wird meistens für den theoretischen Zweig der Neurowissenschaften, die stark mit Simulationen arbeiten, benutzt. phb

Trage also die Kategorie nicht mehr ein. mfg --zeno 19:09, 3. Jan 2005 (CET)

Erstmal zum Artikel SVM - SVM sind für die Neuroinformatik relevant, deshalb finde ich die Kategorie angebracht. Zudem sollt jeder Artikel wenn möglich kategorisiert werden. Ich weiß auch das Neuroinformatik als einzige Kategorie nicht paßt - ich schlage deshalb die Kategorien "Künstliche Intelligenz", "Neuroinformatik" und evtl. "Statistik" vor. Ich habe zudem die Diskussion nach nach Diskussion:Support-Vector-Maschine kopiert.--Ixitixel

ich interprtieren Dein langes Schweigen jetzt mal als Zustimmung... --Ixitixel 02:06, 16. Jan 2005 (CET)

Falsch ;-). --zeno 12:18, 26. Feb 2005 (CET)

Ohne der Kategorien-Durchblicker zu sein, kann ich soviel sagen: SVM werden nicht nur in der Neuroinformatik verwendet. Aus meiner Erfahrung heraus würde ich sagen, dass sie im Bereich Künstliche Intelligenz verwendet werden, wovon Neuroinformatik evt. als Unterbereich gelten kann. Aber im Grunde ist das ein universeller Machine-Learning-Algorithmus, von dem man gar nicht alle Anwendungsbereiche vorher kennen kann. Also ist der Artikel in der Kategorie:Maschinelles Lernen bestens aufgehoben. Kann diese Diskussionsseite jetzt aus der Kategorie:Wikipedia:Offene Fragen rausgenommen werden, oder fehlt Euch noch eine verständliche Definition (s.u.)? --Thüringer ☼ 02:02, 28. Jul 2005 (CEST)

Eine Anmerkung zum Artikel: Es ist irgendwie schade, dass im Artikel nicht einmal der Begriff Support-Vektor definiert wird, der ja bei SVMs durchaus eine Rolle spielt ... --zeno 12:18, 26. Feb 2005 (CET)

Wohl wahr... :) wird gemacht. phb, 3.3.05

11.11.2005:

Der international verwendete Begriff lautet "Support Vector Machine".

Wenn man nun das englische "Machine" durch das deutsche "Maschine" ersetzt, sollte man nicht auch das englische "Vector" durch deutsche "Vektor" ersetzen?

Oder gleich den ganzen Namen ins Deutsche übersetzen, also z.B. von der "Stützvektormaschine" oder besser "Stützvektormethode" sprechen?

Oder eben komplett beim englischen Begriff bleiben?

Die aktuell hier benutzte Mischform von englisch "Vector" und deutsch "Maschine" finde ich auf jeden Fall sehr unglücklich.

Mit freundlichem Gruß,

Benutzer:Ralf Klinkenberg

[Bearbeiten] Polynom-Ansatz

20.06.2006 by tnt Im Artikel wird in keiner Weise auf die Verwendung gekrümmter Hyperflächen statt Hyperebenen eingegangen. Die Abbildung zeigt dann aber einen Polynomialansatz im zweidimensionalen Raum. Die Verwendung von SVM ist doch aber gerade in hochdimensionalen Räumen in der Praxis relevant. Da sich der geneigte Leser im allgemeinen keinen 7-dimensionalen Raum vorstellen kann, wäre hier als Abbildung daher eine Trennung der Klassen durch eine Ebene im dreidimensionalen (ax+by+cz=d) Raum sinnvoller. (Alternativ könnte der Artikel auf die Polynomial-Ansätze erweitert werden, wenn das Bild passen soll.)

Aber die Verwendung von Kernel-Funktionen wird doch angesprochen? Ich verstehe nicht ganz was dir fehlt. Das Bild zeigt die Rückprojektion aus dem RKHS in den Eingaberaum (ist vermutlich ein Gausskern). --phb 18:18, 28. Jul 2006 (CEST)

[Bearbeiten] Verschiebung und Überarbeitung

Ich habe den Artikel mit Weiterleitung nach Support-Vector-Machine verschoben. Die dt. Übersetzung "Stützvektormaschine" ist (leider) bäh, und das Mischmasch aus Deutsch und Englisch überflüssig. Die Kategorie habe ich in Klassifikation umgeändert, denn genau da gehören die SVMs hin. Die oben erwähnten Kategorien (Neurodings und Statistikbums) machen nur Gebrauch von der Klassifikation, ebenso wie das Hauptgebiet des Verfahrens, die Mustererkennung. --Θ~ 17:33, 26. Jul 2006 (CEST)

[Bearbeiten] Vladimir Vapnik

Wie Informationen aus Artikeln der Wikipedia verloren gehen, oder: Wo ist der Vladimir Vapnik hin? Vielleicht kann jemand ihn passend in den Geschichtsteil einfügen. --chrislb 问题 17:17, 10. Aug 2006 (CEST)

[Bearbeiten] Bedingungen für die Anwendung

Hi. Ganz generell gesprochen ist doch ein Klassifikator etwas, dem man eine Menge Trainingsvektoren aus den verschiedenen Klassen gibt und der danach bei einem Testvektor sagt, in welche Klasse der zuzuordnen ist. Dafür gibt es normalerweise Bedingungen, zum Beispiel, dass die Merkmalsvektoren (also Trainings- und Testvektoren) aus dem $\mathbf{R}^n$ sein müssen, dass die Merkmalsvektoren nur metrische, keine kategorialen Merkmale enthalten dürfen oder dass die Merkmale des Merkmalsvektors voneinander unabhängig sein müssen. In der Literatur gibts bestimmt auch ein Buch, wo drin steht, welche Bedingungen die SVM an den Merkmalsraum hat. Ich denke auch, dass das sehr wichtig ist, denn sonst wendet man möglicherweise einen Klassifikator (z.B. SVM) auf ein Szenario an, auf welches er nicht anwendbar ist.