Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Support Vector Machines for Regression
Języki publikacji
Abstrakty
W następnych częściach pracy przedstawione będą algorytm metody wektorów nośnych w zagadnieniu regresji oraz próba odpowiedzi na pytanie o zasadność wyj boru funkcji jądrowej Gaussa. Przeprowadzona zostanie również analiza błędu średniokwadratowego, który generuje metoda w zależności od postaci funkcji jądrowej oraz jej parametrów. (fragment tekstu)
For nonlinear regression problem, support vector machines (SVM) map the input space into a high-dimensional feature space first, and then perform linear regression in the high-dimensional feature space. The nonlinearity of SVM is realized by choosing the kernel function. Performance of SVM is very sensitive to the choice of the kernel and model parameters. In the paper the method is presented and the dependency of its performance on the kernel and the model parameters selection is analyzed. (original abstract)
Rocznik
Tom
Strony
501--510
Opis fizyczny
Twórcy
autor
- Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach
Bibliografia
- Cristianini N., Shawe-Taylor J., An Introduction To Support Vector Machines (and other Kernel-Based Learning Methods), Cambridge University Press, Cambridge 2000.
- Friedman J., Multivariate Adaptive Regression Splines, "The Annals of Statistics" 1991, 19(1).
- 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.
- Leisch F., Dimitriadou E., The mlbench Package - a Collection for Artificial and Real-World Machine Learning Benchmarking Problems, R package, Version 1.0-0, 2004, http://cran.R-project.org.
- Trzęsiok M., Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] Postępy ekonometrii, red. A.S. Barczak, AE, Katowice 2004.
- Trzęsiok M., Zastosowanie metody SVM w klasyfikacji danych, "Prace Naukowe AE we Wrocławiu", nr 1022, AE, Wrocław 2003.
- Vapnik V., Statistical Learning Theory, John Wiley & Sons, New York 1998.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171526537