Úkol 3: klasifikace a regrese pomocí podpůrných vektorů

(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 = 1 a 5-násobné křížové validace.

(iv.)        Zopakujte předchozí bod s volbou regularizačního operátoru ρ = Inf.