On Some Modification of Support Vector Machines

• Autorzy: Michał Trzęsiok

Warianty tytułu

O pewnej modyfikacji metody wektorów nośnych

• Języki publikacji: EN

Abstrakty

EN

Support vector machines for classification is a relatively new machine learning method. Its original form requires a parameter C, which controls the trade-off between the classifier capacity and the training errors. The v-SVM introduced by Bernard Schölkopf uses a new parameter v which is an upper bound of the fraction of errors and a lower bound of the fraction of support vectors. In the paper a comparison of the original SVM and its modification will be presented. (original abstract)

W zadaniu dyskryminacji metoda wektorów nośnych polega na przetransformowaniu obserwacji ze zbioru uczącego, za pomocą nieliniowego przekształcenia, w przestrzeń o dużo większym wymiarze, gdzie klasy rozdzielane są hiperpłaszczyznami optymalnymi. W celu uzyskania modelu o dużym stopniu uogólnienia metoda dopuszcza błędne sklasyfikowanie niektórych obiektów ze zbioru uczącego. W wersji pierwotnej metody występuje parametr Cє [0, + ∞], określający kompromis między jakością klasyfikacji w zbiorze uczącym a zdolnością uogólniania modelu. W ten sposób, pośrednio, kontrolujemy frakcję obiektów błędnie sklasyfikowanych. Modyfikacja metody zaproponowana przez B. Schölkopfa polega na takim sformułowaniu problemu, w którym wprost, poprzez parametr vє [0,1], wprowadzamy ograniczenie frakcji obserwacji błędnie sklasyfikowanych w zbiorze uczącym. W artykule przedstawiona została analiza porównawcza klasycznej metody wektorów nośnych oraz jej wersji zmodyfikowanej. (abstrakt oryginalny)

Słowa kluczowe

EN

Discriminant analysis; Comparative analysis; Classification methods; Support Vector Machines (SVM); Machine learning

PL

Analiza dyskryminacyjna; Analiza porównawcza; Metody klasyfikacyjne; Metoda wektorów nośnych (SVM); Uczenie maszynowe

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2007
• Tom: 206 Methods of Multivariate Statistical Analysis and Their Applications
• Strony: 235--242

Twórcy

autor

Michał Trzęsiok

• The Karol Adamiecki University of Economics in Katowice, Poland

Bibliografia

• Cristianini N., Shawe-Taylor J. (2000), An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press, Cambridge.
• Hastie Т., Tibshirani R., Friedman J. (2001), The Elements of Statistical Learning, Springer-Verlag, New York.
• Leisch F., Dimitriadou E. (2004), The 'mlbench' Package - a collection for artificial and real-world machine learning benchmarking problems, R package, Version 1.0-0. Available at: http://cran.R-project.org.
• Schölkopf B., Smola A. J. (2002), Learning with Kernels, MIT Press, Cambridge.
• Trzęsiok M. (2004), Zastosowanie metody SVM w klasyfikacji danych, [in:] K. Jajuga, М. Walesiak (ed.), Klasyfikacja i analiza danych - teoria i zastosowania, "Taksonomia", 11, 116-124.
• Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, New York.