(i.)
Stáhněte si
z internetu a podle potřeby adaptujte matlabovské nebo javovské procedury
pro klasifikaci a regresi pomocí podpůrných vektorů (např. z http://www.isis.ecs.soton.ac.uk/resources/svminfo/);
alternativně můžete tyto procedury naprogramovat na základě kapitol 3.3–3.5
skript.
(ii.)
Spočtěte
průměrnou testovací chybu klasifikace pomocí podpůrných vektorů při použití
jádrové funkce rovné hustotě normálního rozdělení, volbě standardní odchylky σ
= 0.5, 1, 2, 5, 10, 20, 50, 100, 200 (jde tedy o radiální bázovou funkci ze
str. 75 skript, přičemž c = 2σ2)
a 5-násobné křížové validace.
(iii.)
Pro některý
z regresních atributů spočtěte průměrnou testovací chybu regrese pomocí
podpůrných vektorů při použití ε-necitlivé vzdálenosti s ε rovným rozdílu
mezi 60% a 40% empirickým kvantilem zvoleného regresního atributu, jádrové
funkce rovné hustotě normálního rozdělení, volbě standardní odchylky σ = 0.5,
1, 2, 5, 10, 20, 50, 100, 200, volbě regularizačního operátoru ρ =
(iv.)
Zopakujte
předchozí bod s volbou regularizačního operátoru ρ = Inf.