avtomatska analiza gibanja v izbranih moštvenih športnih igrah

C.2 Metoda podpornih vektorjev (ang. Support Vector Machine - SVM) 131
• M-korak: Po izračunanem prispevku posameznih komponent lahko
izračunamo nove parametre k-te komponente kot
Σ i+1
k =
N
j=1
α i+1
k
= 1
N
µ i+1
k =
N
N
pjk. (C.5)
j=1
pjkxj
j=1
N
pjk
k=1
pjk(xj − µ i+1
k ) T Σ −1
k (xj − µ i+1
k )
N
pjk
k=1
. (C.6)
. (C.7)
Začetne vrednosti parametrov porazdelitve lahko izberemo poljubno, čeprav
se najpogosteje za izračun začetnih parametrov uporablja metoda K-tih povprečij
(ang. K-means) [69], na podlagi katere določimo začetnih K razredov vzorcev.
Nato za vsakega izmed razredov izračunamo srednjo vrednot µ 0 k in kovariančno
matriko Σ0 k . V primeru, da nimamo na voljo boljˇse ocene uteˇzi αk, le-te določimo
kot αk = 1/N.
Postopek ocenjevanja parametrov ponavljamo, dokler je sprememba
Logaritma verjetja med dvema zaporednima iteracijama L(Θ i ) − L(Θ i+1 ) večja
od naprej izbranega praga ε.
C.2 Metoda podpornih vektorjev
(ang. Support Vector Machine - SVM)
Metoda podpornih vektorjev je eno izmed osnovnih metod za binarno klasifikacijo
podatkov [62, 63, 64, 65, 93], ki je bila prvič predstavljena ˇze leta 1963 [94].
Glavni cilj metode je v n-dimenzionalnem prostoru poiskati hiperravnino (ang.
hyperplane), s katero je mogoče optimalno ločiti dva razreda vzorcev. Pri
tem skuˇsamo v postopku optimizacije poiskati tisto hiperravnino, s katero je
mogoče doseči maksimalno razdaljo med razredoma, s čimer doseˇzemo najboljˇso
generalizacijo razvrˇsčanja.