Zastosowanie metody SVM w klasyfikacji danych

• Autorzy: Michał Trzęsiok

Warianty tytułu

Support Vector Machines - Application to Classification

• Języki publikacji: PL

Abstrakty

W referacie przedstawiono metodę wektorów nośnych. Dynamiczny rozwój jej zastosowań jest związany z jej własnościami. Po pierwsze, metoda ta umożliwia nieliniową klasyfikację przy zachowaniu dużego uogólnienia otrzymywanego modelu. Nieliniowość klasyfikacji realizuje się przez wybór nieliniowej funkcji jądrowej. Różnorodność możliwości wyboru rodzaju funkcji jądrowej oraz jej parametrów sprawia, że metoda wektorów nośnych pozwala przeszukiwać duży zbiór funkcji dyskryminujących. Po drugie, metoda ta należy do grupy metod odpornych, tzn. dopuszcza, aby w zbiorze uczącym znajdowały się obserwacje błędnie sklasyfikowane, np. w wyniku działania czynników losowych. (fragment tekstu)

EN

The support vector machine has been developed as robust tool for classification in noisy, complex domain. It features non-linear classification by mapping the input space into the higher dimensional space, where an optimal separating hyperplane is found. This linear decision boundary corresponds with a non-linear classifier in the original space. Moreover the slack variables are introduced to allow for training errors in noisy data sets. The paper presents the method and gives a numerical example for illustration. (original abstract)

Słowa kluczowe

PL

Metoda wektorów nośnych (SVM); Klasyfikacja danych

EN

Support Vector Machines (SVM); Data classifications

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2004
• Tom: 11
• Numer: nr 1022 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 116--124

Twórcy

autor

Michał Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Gunn S.R., Support Vector Machines for Classification and Regression, Technical Report, Image Speech and Intelligent Systems Research Group, University of Southampton 1997.
• Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer-Verlag, New York 2001.
• Stitson M.O., Weston J.A.E., Gammerman A., Vovk V., Vapnik V., Theory of Support Vector Machine, Technical Report, CSD-TR-96-17, Royal Holloway University of London 1996.
• Vapnik V., The Nature of Statistical Learning Theory, Springer-Verlag, New York 1995.