Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Support Vector Machines in Comparison to Other Methods of Multivariate Statistical Analysis
Języki publikacji
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)
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)
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)
Rocznik
Tom
Strony
536--542
Opis fizyczny
Twórcy
autor
- 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.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171558772