Du befindest dich hier: FSI Informatik » Prüfungsfragen und Altklausuren » Hauptstudiumsprüfungen » Lehrstuhl 5 » Prüfung PR - Nöth - Februar 2020 (Übersicht)
no way to compare when less than two revisions
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.
— | pruefungen:hauptstudium:ls5:pr-2020-02-21 [21.02.2020 11:45] (aktuell) – Prüfung PR - Nöth - Februar 2020 baumbart | ||
---|---|---|---|
Zeile 1: | Zeile 1: | ||
+ | ====== Prüfung PR - Nöth - Februar 2020 ====== | ||
+ | **SVR** und **SVM** (alle Fragen und Formel bezogen sich auf Soft-margin) | ||
+ | |||
+ | **F:** Was sind die Unterschiede zwischen SVM und SVR?\\ | ||
+ | **A:** Bei SVR versuche ich durch eine Punktmenge eine Gerade bzw. eine Hyperplane zu legen. Diese Hyperplane hat eine Margin, die ich minimieren will. Für Punkte die außerhalb liegen habe ich eine Fehlerfunktion. Bei SVM habe ich zwei Punktmengen. Ich möchte ein Hyperplane finden, dass beide Mengen trennt. Hierbei soll die Margin maximiert werden. | ||
+ | |||
+ | **F:** Wie modelliere ich SVM mathematisch? | ||
+ | **A:** *Formel hinschreiben und erklären. Bei so etwas bietet es sich an selbstständig zu beschrieben, | ||
+ | |||
+ | **F:** Wie modelliere ich SVR?\\ | ||
+ | **A:** *Selbes Spiel. Formel hinschreiben, | ||
+ | |||
+ | **F:** Zurück zur SVM. Wie löse ich nun dieses Problem? Schreiben sie mir den Lagrangian hin.\\ | ||
+ | **A:** *Lagrangian hinschreiben* | ||
+ | |||
+ | **F:** Wie löse ich das?\\ | ||
+ | **A:** Ich forme es um in ein Lagrange-Dual-Problem | ||
+ | |||
+ | **F:** Dazu müssen einige Bedingungen gelten...\\ | ||
+ | **A:** *KKT-Bedingungen auflisten* | ||
+ | |||
+ | **F:** Zu den dual-constraints und der complementary slackness kommen wir später. Sie sagten der Gradient müsse 0 sein. Leiten sie ihren Lagrangian ab.\\ | ||
+ | **A:** *Hier hab ich mit der Ableitung nach α begonnen. Glücklicherweise wollte er darauf hinaus und ich musste nicht den gesamten Gradienten bilden.* | ||
+ | |||
+ | **F:** Sie erhalten hier eine Formel für ihr Alpha. Was bedeutet sie?\\ | ||
+ | **A:** An der Formel erkennt man, dass mein Alpha eine Linearkombination meiner Feature-vektoren ist. | ||
+ | |||
+ | **F:** Nun zur complementary-slackness und den dual-constraints. Was bedeuten diese?\\ | ||
+ | **A:** Aufgrund dieser beiden habe ich strong duality. *Formel hinschreiben* | ||
+ | |||
+ | **F:** Was folgt daraus für ihr Alpha?\\ | ||
+ | **A:** *Hier stand ich etwas auf dem Schlauch. Er wollte darauf hinaus, dass meine Support-vektoren diejenigen Feature-vektoren sind für die λ > 0 gilt* | ||
+ | |||
+ | **F:** Wie sieht meine Formel dann am Ende aus?\\ | ||
+ | **A:** *Formel hinschreiben* Meine Feature-vektoren kommen als Skalarprodukt vor. | ||
+ | |||
+ | **F:** Meine Daten sind oftmals nicht durch eine Gerade trennbar. Was kann ich machen?\\ | ||
+ | **A:** Ich kann durch eine Transformation meine Daten " | ||
+ | |||
+ | **F:** Wie sieht das ganze für eine quadratische Transformation aus.\\ | ||
+ | **A:** Φ(x) = (x_1^2 x_2^2 x_1*x_2 x_1 x_2 1)T | ||
+ | |||
+ | **F:** Sie haben vorher den Kernel-Trick erwähnt, wie sieht dieser für den quatratischen Fall aus und was gewinne ich durch ihn?\\ | ||
+ | **A:** (< | ||
+ | |||
+ | **Fazit:** Note: 1.0 die Bewertung ist sehr fair wenn man bedenkt, dass ich öfters nich weiter wusste. Es hat mich etwas gewundert, dass nur ein Thema, dieses dafür umso tiefgreifender, |