Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Języki publikacji
Abstrakty
Metoda wektorów nośnych (SVM - Support Vector Machines) należy do grupy eksploracyjnych metod wielowymiarowej analizy statystycznej. Została zaproponowana jako metoda dyskryminacji, czyli metoda klasyfikacji wzorcowej, w której dany jest pewien zbiór uczący, tj. taki zbiór, w którym znana jest przynależność do klas obserwacji w nim zawartych. Celem metod dyskryminacji jest rozpoznanie reguł przynależności obiektów do odpowiednich klas na podstawie informacji ze zbioru uczącego, by następnie wykorzystać te reguły do klasyfikowania nowych obiektów. Predykcja na podstawie modeli zbudowanych metodą wektorów nośnych jest obok predykcji modeli zagregowanych drzew klasyfikacyjnych najdokładniejszą w porównaniu z innymi znanymi obecnie modelami klasyfikacji.
Rocznik
Strony
78--94
Opis fizyczny
Twórcy
autor
- Uniwersytet Ekonomiczny w Katowicach
Bibliografia
- Abe S.: Support Vector Machines for Pattern Classification (Advances in Pattern Recognition). Springer, 2005
- Cristianini N., Shawe-Taylor J.: An Introduction to Support Vector Machines (and other Kernel - based Learning Methods). Cambridge University Press, Cambridge 2000
- Feature Extraction, Foundations and Applications. Red. I. Guyon, S. Gunn, M. Nikravesh, L. Zadeh. Springer, 2006
- Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning. Springer Verlag, New York 2001
- Computational Methods of Feature Selection. Red. H. Liu, H. Motoda. Chapman & Hall/CRC, 2008
- Nagatani T., Abe S.: Backward Variable Selection of Support Vector Regressors by Block Deletion. W: International Joint Conference on Neural Networks (IJCNN 2007). Orlando 2007
- Rakotomamonjy A.: Variable Selection Using SVM-based Criteria. "Journal of Machine Learning Research" 2003, No. 3
- Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne. W: Postępy ekonometrii. Red. A.S. Barczak. Akademia Ekonomiczna, Katowice 2004
- Trzęsiok M.: Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych. W: "Taksonomia 13, Klasyfikacja i analiza danych - teoria i zastosowania. Red. K. Jajuga, M. Walesiak. Akademia Ekonomiczna, Wrocław 2006
- Vapnik V.: Statistical Learning Theory. John Wiley & Sons, New York 1998
- Weston J., Mukherjee S., Chapelle O., Pontil M., Piaggio T., Vapnik V.: Feature Selection for SVMs. W: Advances in Neural Information Processing Systems. 13, MIT Press, 2001
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171237921