Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Języki publikacji
Abstrakty
Niezależnie od tego, jak bardzo wyrafinowana metoda zostanie użyta do zbudowania modelu statystycznego, jakość tego modelu zależy wprost od jakości danych wykorzystanych do jego wyznaczenia. Często w rzeczywistych zbiorach danych występują pewne obserwacje, których wartości stanowią nietypowe realizacje odpowiednich zmiennych. Wynika to ze specyfiki badanego zjawiska lub też z różnego rodzaju błędów. Ponieważ obserwacje te mogą mieć istotny wpływ na wyniki analizy wymagają szczególnej uwagi. Metoda wektorów nośnych (SVM - Support Vector Machines), pierwotnie skonstruowana jako metoda dyskryminacji, może zostać przeformułowana tak, aby realizowała także zadanie identyfikowania obserwacji oddalonych. W takim przypadku jej działanie jest podobne w pewnym sensie do metod taksonomicznych (bezwzorcowych), gdyż polega ona na tym, że traktując cały zbiór uczący, jak zbiór obiektów należących do jednej klasy, identyfikuje obszar przestrzeni, w którym skupione są poddane analizie obserwacje, to znaczy identyfikuje nośnik wielowymiarowego rozkładu, którego realizacjami jest analizowany zbiór danych. Otrzymujemy w ten sposób funkcję, która przyjmuje wartość -1 w obszarach, gdzie prawdopodobieństwo wystąpienia obserwacji jest bardzo małe i wartość +1 w obszarze będącym nośnikiem rozkładu. Funkcja ta identyfikuje obiekty oddalone. (fragment tekstu)
Rocznik
Strony
112--125
Opis fizyczny
Twórcy
autor
- Uniwersytet Ekonomiczny w Katowicach
Bibliografia
- Cristianini N., Shawe-Taylor J., An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press 2000
- Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer Verlag, New York 2001
- Schöllcopf B., Smoła A.J., Learning with Kernels, MIT Press, Cambridge 2002
- Trzęsiok M., Zastosowanie metody SVM w klasyfikacji danych, w: Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 11, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, nr 1022, Wrocław 2004
- Vapnik V., Statistical Learning Theory, John Wiley & Sons, New York 1998
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171272693