Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych

• Autorzy: Michał Trzęsiok

Warianty tytułu

Support Vector Machines in Comparison to Other Methods of Multivariate Statistical Analysis

• Języki publikacji: PL

Abstrakty

Podstawowy cel niniejszego artykułu to przedstawienie wyników analizy porównawczej błędu klasyfikacji generowanego przez metodę wektorów nośnych oraz przez inne metody klasyfikacji wzorcowej (m.in. klasyczną liniową analizę dyskryminacyjną, metodę k najbliższych sąsiadów, drzewa klasyfikacyjne).
Porównanie metod realizowane będzie za pomocą symulacji komputerowych, przez zastosowanie metody wektorów nośnych i wybranych, alternatywnych metod dyskryminacji na tych samych zbiorach danych - zarówno rzeczywistych, jak i sztucznych - standardowo wykorzystywanych do badania własności metod wielowymiarowej analizy statystycznej. (fragment tekstu)

EN

Support vector machines (SVM) belong to a group of rapidly developing methods of multivariate statistical analysis. The main goal of this article is to compare the SVMs to other classification methods (e.g. Linear Discriminant Analysis, k- Nearest Neighbour Classification, Classification Trees) in terms of classification error generated by the final model. The analysis was conducted on some real and artificial benchmarking data sets. (original abstract)

Słowa kluczowe

PL

Metoda wektorów nośnych (SVM); Analiza wielowymiarowa

EN

Support Vector Machines (SVM); Multi-dimensional analysis

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2006
• Tom: 13
• Numer: nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 536--542

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.
• Rozmus D. (2004), Random forest jako metoda agregacji modeli dyskryminacyjnych, [w:] K. Jajuga, M. Walesiak (red.), Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 11, "Prace Naukowe AE we Wrocławiu", nr 1022, AE, Wrocław.
• 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, New York.