Dein Lernbereich wird geladen
App wird gestartet …
Dein Lernbereich wird geladen
App wird gestartet …
Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden.
Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential
Formel
yi ∈ {−1,+1}; Margin und Loss dimensionslos nach Merkmals-/Gewichtsskalierung
| Symbol | Bedeutung | Einheit |
|---|---|---|
| Merkmalsvektor des Beispiels | Merkmalswerte | |
| binäres Label −1 oder +1 | dimensionslos | |
| Gewichtsvektor und Bias der Entscheidungsgrenze | skalierungsabhängig | |
| Hinge-Verlust des Beispiels | dimensionslos |
L_i=\max(0,1-y_i(w^Tx_i+b))Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb der Margin. Die lineare Soft-Margin-SVM minimiert typischerweise ½||w||2+CΣξi unter Marginbedingungen. C steuert den Kompromiss zwischen Marginbreite und Trainingsverletzungen. Feature-Skalierung beeinflusst Geometrie und Regularisierung.
Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb der Margin. Die lineare Soft-Margin-SVM minimiert typischerweise ½||w||2+CΣξi unter Marginbedingungen. C steuert den Kompromiss zwischen Marginbreite und Trainingsverletzungen. Feature-Skalierung beeinflusst Geometrie und Regularisierung.
Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden.
Grundbeziehung
Die Gleichung beschreibt die Grundbeziehung innerhalb ihres angegebenen Gültigkeitsbereichs.
Erkläre am Beispiel zu Lineare SVM und Hinge-Loss, welche Eingabegrößen zur gesuchten Ausgabe führen.
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Die Beziehung ohne ihre angegebenen Voraussetzungen auf einen anderen Fall übertragen.
Prüfe vor dem Einsetzen den Gültigkeitsbereich: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb.
Formelcluster
Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden.
Für y=+1 und Entscheidungsscore wᵀx+b=0,4 ist der signed margin 0,4 und L=max(0,1−0,4)=0,6. Bei Score 1,4 wird L=0. Für y=−1 und Score 0,4 ist der signed margin −0,4 und der Verlust 1,4; die Vorhersage liegt auf der falschen Seite.
Lineare Support-Vector-Klassifikation und Marginverletzungen nachvollziehen.
Eine typische Aufgabe Schritt für Schritt: Lineare SVM und Hinge-Loss (Hinge-Loss = max(0, 1 − Label · Entscheidung)).
Aufgabe
Erkläre am Beispiel zu Lineare SVM und Hinge-Loss, welche Eingabegrößen zur gesuchten Ausgabe führen.
Rechenweg
Das Beispiel verknüpft konkrete Eingaben mit dem Ergebnis.
Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden.
Gültig ist die Beziehung nur unter den genannten Voraussetzungen.
Die Beziehung Li=\max(0,1-yi(w^Tx_i+b)) fasst Die Hinge-Loss bestraft lineare Klassifikationsbeispiele, die falsch oder mit weniger als einer Margin-Einheit Abstand eingeordnet werden. zusammen. Lies sie als Modell für klar definierte Größen, nicht als automatische Aussage über jede reale Situation. Im Beispiel Für y=+1 und Entscheidungsscore wᵀx+b=0,4 ist der signed margin 0,4 und L=max(0,1−0,4)=0,6. Bei Score 1,4 wird L=0. Für y=−1 und Score 0,4 ist der signed margin −0,4 und der Verlust 1,4; die Vorhersage liegt auf der falschen Seite. werden die Symbole mit konkreten Werten verbunden und das Ergebnis wird fachlich interpretiert. Gültigkeitsgrenze: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb Quelle: scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective.
Schreibe zuerst die gesuchte Größe und alle gegebenen Werte mit ihren Bezeichnungen auf. Setze sie in Li=\max(0,1-yi(w^Tx_i+b)) ein und prüfe, ob die Einheiten zusammenpassen. Das Beispiel Für y=+1 und Entscheidungsscore wᵀx+b=0,4 ist der signed margin 0,4 und L=max(0,1−0,4)=0,6. Bei Score 1,4 wird L=0. Für y=−1 und Score 0,4 ist der signed margin −0,4 und der Verlust 1,4; die Vorhersage liegt auf der falschen Seite. liefert eine Rechenprobe: Werte Formel und Ergebnis müssen dieselbe Größenordnung und Bedeutung ergeben; runde erst am Ende. Gültigkeitsgrenze: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb Quelle: scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective.
Die Formel gilt nur, wenn die Größen so definiert sind wie in der Quelle und im Hintergrundtext. Prüfe insbesondere Randfälle, Messbedingungen und ob ein Näherungszeichen statt Gleichheit gemeint ist. Ein formal korrektes Einsetzen kann trotzdem fachlich falsch sein, wenn diese Voraussetzungen verletzt werden oder die betrachtete Population beziehungsweise Systemgrenze wechselt. Gültigkeitsgrenze: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb Quelle: scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective.
Die angegebene Einheit lautet: yi ∈ {−1,+1}; Margin und Loss dimensionslos nach Merkmals-/Gewichtsskalierung. Vor dem Einsetzen müssen alle Werte auf ein konsistentes Einheitensystem gebracht werden; Anzahlen, Prozentangaben und dimensionslose Verhältnisse sind dabei nicht austauschbar. Die Variablenliste benennt die Rolle jedes Symbols. Einheitenkontrolle erkennt viele Fehler, ersetzt aber nicht die Prüfung, ob die Formelannahmen erfüllt sind. Gültigkeitsgrenze: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb Quelle: scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective.
Ein Vergleich hilft, wenn beide Größen dieselbe Aufgabe beantworten, aber unterschiedliche Eigenschaften betonen. Berichte Definition, Eingabedaten, Schwelle oder Aggregation zusammen mit dem Zahlenwert. Die Quelle scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective. stützt die hier verwendete Definition; bei anderen Konventionen können Ergebnisse abweichen. Verwende die Kennzahl deshalb passend zum konkreten Lern- oder Analyseziel. Gültigkeitsgrenze: Der signed margin yi(wᵀxi+b) ist mindestens eins für korrekt klassifizierte Punkte außerhalb der Margin; dort ist der Hinge-Verlust null. Darunter steigt der Verlust linear, auch für korrekt klassifizierte Punkte innerhalb Quelle: scikit-learn User Guide, §1.4 Support Vector Machines; binary linear SVM objective.
Quanta-Prüfungsset
Kuratiertes Prüfungsset für "Lineare SVM und Hinge-Loss":
Frage (Vorderseite)
Welche Formel beschreibt Lineare SVM und Hinge-Loss?
Antwort in deinem Set
Frage (Vorderseite)
Welcher typische Fehler passiert bei Hinge-Loss = max(0, 1 − Label · Entscheidung)?
Antwort in deinem Set
+ 8 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe
Das Formelset enthält 10 Karten. Nach der Übernahme kannst du sie prüfen und lernen; deine Bewertungen bestimmen die weiteren Wiederholungen.
Die Liste nennt Fachquellen und weiterführende Literatur. Eine Seiten- oder Abschnittsnummer steht dabei, wenn sie Teil der Literaturangabe ist; es handelt sich nicht um wörtliche Zitate.
Erstelle ein kuratiertes FSRS-Prüfungsset für Hinge-Loss = max(0, 1 − Label · Entscheidung): Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.
Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential