Identyfikacja obserwacji oddalonych z wykorzystaniem metody wektorów nośnych

• Autorzy: Michał Trzęsiok

Warianty tytułu

Novelty Detection with Support Vector Machines

• Języki publikacji: PL

Abstrakty

Dyskryminacyjna metoda wektorów nośnych należy do grupy metod odpornych, tzn. że występowanie obserwacji nietypowych lub błędnie sklasyfikowanych w zbiorze uczącym nie wpływa znacząco na jakość otrzymanego modelu. W artykule przedstawiono metodę SVM przeformułowaną tak, by identyfikowała obserwacje oddalone, oraz próbę empirycznego sprawdzenia, czy przeprowadzenie wstępnej identyfikacji i usunięcie obserwacji oddalonych poprawia jakość dyskryminacji na zbiorze testowym. (fragment tekstu)

EN

Support Vector Machines (SVM) are considered as a robust tool for classification. This method is designed for being able to deal with outliers. In the paper Support Vector Machines for single-class problems are presented and the impact of removing previously identified outliers on the classification test set error is analyzed on benchmarking data sets. (original abstract)

Słowa kluczowe

PL

Obserwacje nietypowe; Metoda wektorów nośnych (SVM)

EN

Outliers; Support Vector Machines (SVM)

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2007
• Tom: 14
• Numer: nr 1169 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 350--357

Twórcy

autor

Michał Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Cristianini N., Shawe-Taylor J. (2000), An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press.
• 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, http://cran.R-project.org.
• Smola A., Schölkopf B. (2002), Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press, Cambridge.
• Trzęsiok M. (2004), Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] A.S.-Barczak (red.), Postępy ekonometrii, AE, Katowice.
• Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, NY.