Analiza wybranych formalnych własności taksonomicznej metody wektorów nośnych

• Autorzy: Michał Trzęsiok

Warianty tytułu

On Some Selected Properties of Support Vector Clustering

• Języki publikacji: PL

Abstrakty

Badania przeprowadzono na zbiorach danych sztucznych, Smiley, Circle, Twonorm, Spirals. Wygenerowanych za pomocą funkcji z biblioteki mlbench programu statystycznego R. Zbiory te zostały zaprojektowane do sprawdzania własności metod wielowymiarowej analizy statystycznej. Symulacje przeprowadzone na wymienionych zbiorach wskazują, że taksonomiczna metoda wektorów nośnych ma podstawową własność niewrażliwości na permutacje. Końcowy model otrzymany w wyniku zastosowania metody wektorów nośnych jest w pełni opisany za pomocą wybranej funkcji jądrowej oraz zidentyfikowanych wektorów nośnych. W przeprowadzanych analizach zawsze stosowano funkcję jądrową Gaussa, więc wystarczyło sprawdzać, czy zbiór wektorów nośnych zmienia się po permutowaniu obserwacji w zbiorze danych. Takich zmian nie odnotowano.(fragment tekstu)

EN

There are many different methods of unsupervised learning. It is impossible to predict which method is the "best" in general. Given a specific problem the user can decide which method to apply considering some properties of clustering methods. These proper-ties are known as admissibility conditions. The reasonably new Support Vector Clustering method is analysed in terms of the satisfying admissibility conditions. The results are compared within a group of different clustering methods.(original abstract)

Słowa kluczowe

PL

Wielowymiarowa analiza statystyczna; Metody taksonomiczne; Analiza skupień; Metoda wektorów nośnych (SVM)

EN

Multi-dimensional statistical analysis; Taxonomic methods; Cluster analysis; Support Vector Machines (SVM)

• Czasopismo: Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach
• Rocznik: 2010
• Numer: nr 56 Zastosowanie metod matematycznych w ekonomii i zarządzaniu
• Strony: 147--157

Twórcy

autor

Michał Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Ben-Hur A., Horn D., Siegelman H.T., Vapnik V.: Support Vector Clustering. ,,Journal of Machine Learning Research" 2001, 2, s. 125-137.
• Fisher L., Ness J.W. van: Admissible Clustering Procedures. "Biometrika" 1971, 58, s. 91-104.
• Fisher L., Ness J. W. van: Admissible Clustering Procedures. "Biometrika" 1973, 60, s. 422-424.
• Smola A., Schölkopf B.: Learning with Kernels. Support Vector Machines. Regularization, Optimization, and Beyond. MIT Press, Cambridge 2002.
• Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne. W: Postępy ekonometrii. Red. A.S. Barczak. AE, Katowice 2004.
• Vapnik V.:Statistical Learning Theory. John Wiley & Sons, New York 1998.
• Walesiak M.: Metody klasyfikacji. W: Metody statystycznej analizy wielowymiarowej w badaniach marketingowych. Red. E. Gatnar, M. Walesiak. AE, Wrocław 2004, s. 316-350.