Please enable JavaScript.

Coggle requires JavaScript to display documents.

ME (Merkmale (Abstandsmessung im Merkmalsraum (Normaxiome (Eigenschaft)…

- - - - P7
    - - P7
    - - P5
    - - P6
    - - P10
  - - - Visualisierung der Stichproben im Merkmalsraum, um im Entwurfsprozess
        einen Eindruck von der Leistungsfähigkeit der Merkmale zu gewinnen.
    - - nur 2 Dimensionen sind graphisch darstellbar
      - Betrachtung 2-dimensionaler Projektionen des Merkmalsraumes
    - - 2D-Schnitten
      - Abhilfe: Projektion einer Scheibe der Dicke 2ε
  - - - P28
    - - Positivität
      - Homogenität
        
        Reflexivität
        
        Symmetrie
      - Dreiecksunggleichung
    - - P31
    - - P33
      - geeignet für nominale Merkmale
      - Wertbereich [0,1]
    - - P37
    - - 计算题
    - - Abstandsmaß, das bezüglich kleiner, systematischer Variationen robust ist
  - - - Geometrische Merkmale
        
        Füllungsgrad
        
        Konvexitätsgrad
      - Typologische Merkmale
    - - Idee
      - Vorteil
      - Beispiel -- AR Modell
    - - 要求即使经过一些Transformation，还是erkennenbar
      - Transformation
        
        Kongruenz
        
        Drehung
        
        Ähnlichkeit
        
        Skalierung
        
        Affine Transformation
        
        Translation
        
        Verschiebung
      - Ansätze zur invarianten Merkmalsgewinnung
        
        Integration über die Transformationsgruppe
        
        Differentielle Methode
        
        Normalisierung
        
        z.B Fourierdeskriptoren
  - - - Hauptkomponentenanalyse (PCA)
        
        lineare
        
        Mittelwert
        
        Streumatrix-->Eigenwert
        
        Der optimale affine Unterraum der Dimension d ' geht durch
        den Mittelwert m und wird von den Eigenvektoren ei zu den
        d‘ größten Eigenwerten λi der Streumatrix S aufgespannt.
        
        Karhunen-Loeve Trransformation
        
        nichtlinear (kernel-PCA)
      - Independent Component Analysis (ICA)
        
        https://www.zhihu.com/question/28845451
      - Multiple Discriminant Analysis
        
        Ziele: Merkmale für hohe Klassenunterscheidbarkeit
        
        Fischer Linear Discriminant
        
        https://zh.wikipedia.org/wiki/線性判別分析
        
        SNR的理解
      - Auswahl einer Teilmenge von Merkmalen
- - - - c=2
        
        Entscheidungsgrenze
        
        k = 0
        
        Distanz zwischen Merkmal (m) und Entscheidungsgrenze (H)
      - c>2
        
        Entscheidungsgrenze
        
        由多个分解面组成 Hij
        
        Anzahl < c(c-1)/2
        
        konvex, einfach
        
        Distanz zwischen m und H
    - - Quadratische
        
        不再是lineare的(wimi)
        
        +wijmimj
      - Verallgemeinerte lineare
        
        m linear bezüglich y
        
        y erweiterte Merkmalsvektor
        
        konvex, kompliziert geformt
        
        Dimensionserhöhung
  - - - Eingabeschicht
        
        Verdeckte Schicht
        
        Ausgabeschicht
    - - Backpropagation Algorithmus - Iterative Minimierung des Fehlers
    - - Vorteil
      - Nachteil
  - - - ObjektFunction
        
        Margin maximal ρ max
      - Nebensbedingung
        
        Margin的物理意义--> (Distanze>ρ)
      - Methode
        
        Lagrange multipliers
    - - Training
        
        Lagrange multiplier α bestimmen
      - Ergebnis von Lagrange Method
        
        ω und b
      - Classification a new feature
    - - non-linear Transformation von der Merkmal
        
        Kernfunktion
        
        some based on Hilbert spaces
        
        不同的例子
  - - - Training
        
        Gegeben
        
        Beobachtung + Zustand
        
        Gesucht
        
        HMM Parameter
      - Dekodierung
        
        Gegeben
        
        HMM
        
        Beobachtung
        
        Gesucht
        
        WV [Zustand]
      - Auswertung
        
        Gegeben
        
        HMM Model [Parameter]
        
        Gesucht
        
        WV [Sequenz von einer Beobachtung]
  - - - 对应的图
- - - - Gegeben+Gesucht
      - Zerlegung der Gesamtstichprobe
      - Verlauf
- - - - allgemein
      - Überwachtes Lernen
      - Unüberwachtes Lernen
    - - 1.Der Umfang der Lernstichprobe ist zu gering
      - Die Lernstichprobe ist nicht repräsentativ
      - Overfitting - Ein kleiner Lernfehler (Fehler auf der Lernstichprobe) ist noch kein Garant für einen kleinen Testfehler (Fehler auf der Teststichprobe)
    - - Bedeutung
        
        它是统计学习理论用来衡量函数集性能的一种指标——VC维越大，则学习过程越复杂。
      - P7的图
    - - Fall1
      - Fall2
  - - - gewichtete Summe der M „schwachen“ Klassifikatoren zu einem starken
      - Die Gewichte ai werden im Training bestimmt