Łączenie równoległe modeli klasyfikacji otrzymanych metodą wektorów nośnych

• Autorzy: Michał Trzęsiok

Warianty tytułu

Parallel Unification of the Classification Models Obtained through Support Vectors' Method

• Języki publikacji: PL

Abstrakty

Konstruowanie funkcji klasyfikujących przez łączenie wielu modeli składowych stanowi główny nurt badań naukowych nad metodami klasyfikacji w ciągu ostatnich pięciu lat. Powodem tak dynamicznego rozwoju metod agregujących są ich dobre własności, gdyż klasyfikacja danych na podstawie modeli zagregowanych daje na ogół mniejsze błędy klasyfikacji niż którakolwiek pojedyncza funkcja dyskryminująca, będąca składową modelu zagregowanego. Narzędziem, które umożliwia wyjaśnienie przewagi modeli łączonych nad pojedynczymi, a także pozwala na porównywanie oraz kreowanie nowych metod łączenia modeli, jest analiza błędu klasyfikacji podlegającego dekompozycji na obciążenie, wariancję i szum.(fragment tekstu)

EN

The paper presents a unified bias-variance decomposition of zero-one loss and its application to ensemble method using Support Vector Machines. We have used Breiman's bagging techniąue to aggregate base learners trained on the repeated bootstrap samples. Then, we present a numerical experiment to compare bagged ensemble of SVMs versus single SVMs.(original abstract)

Słowa kluczowe

PL

Metoda wektorów nośnych (SVM); Błąd klasyfikacji; Modele matematyczne; Metody samowsporne

EN

Support Vector Machines (SVM); Classification error; Mathematical models; Bootstrap

• Czasopismo: Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach
• Rocznik: 2006
• Numer: nr 39 Zastosowanie metod matematycznych w ekonomii i zarządzaniu
• Strony: 129--137

Twórcy

autor

Michał Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Breiman L.: Bagging Predictors. "Machinę Learning" 1996, nr 24.
• Cristianini N., Shawe-Taylor J.: An Introduction to Support Vector Machines (and Other Kemel-Based Learning Methods). Cambridge University Press, Cambridge 2000.
• Dietterich T.G., ValentiniG.: Bias-Variance Analysis of Support Vector Machines for the Development of SVM-Based Ensemble Methods. "Journal of Machinę Learning Research" 2000.
• Domingos P.: A Unified Bias- Variance Decomposition and Its Applications. Proceedings of the Seventeenth International Conference on Machinę Learning, Stanford 2000.
• Smoła A., Schólkopf B.: Learning witli Kernels. Support Yector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge 2002.
• Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektoiy nośne. W: Postępy ekonometrii. Red. A.S. Barczak. AE, Katowice 2004.
• VapnikV.: Statistical Learning Theory. John Wiley & Sons, New York 1998.