Extracting Class Description from Support Vector Machines

• Autorzy: Michał Trzęsiok

Warianty tytułu

Profilowanie klas w metodzie wektorów nośnych

• Języki publikacji: EN

Abstrakty

EN

Support Vector Machines (SVMs) belong to the group of Data Mining and Machine Learning methods. SVMs are considered to be one of the best classification methods in terms of performance measure. The biggest disadvantage of SVMs is their lack of interpretability. Additional procedures can be applied that enable knowledge extraction. We present such a procedure that uses the information embedded in support vectors - the observations that define the classification function. We use recursive partitioning applied to support vectors to increase the interpretability of SVMs. (original abstract)

Metoda wektorów nośnych (SVM) należy do grupy statystycznych metod uczących się. Jak większość metod z tej grupy, metoda SVM buduje modele o bardzo dobrych własnościach predykcyjnych, lecz niewielkiej interpretowalności. W celu uzyskania dodatkowej wiedzy - stosuje się dodatkowe procedury wspomagające interpretowanie wyników modelowania. W artykule przedstawiono procedurę wykorzystującą informacje zawarte w wektorach nośnych - obserwacjach istotnie wpływających na postać wyznaczonej funkcji dyskryminującej. Intepretowalność modelu końcowego uzyskano dzięki zastosowaniu modelu rekurencyjnego podziału do dyskryminacji wyznaczonych wektorów nośnych. (abstrakt oryginalny)

Słowa kluczowe

EN

Statistical methods; Data classifications; Algorithms; Support Vector Machines (SVM); Machine learning

PL

Metody statystyczne; Klasyfikacja danych; Algorytmy; Metoda wektorów nośnych (SVM); Uczenie maszynowe

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2013
• Tom: 286 Methods and Applications of Multivariate Statistical Analysis
• Strony: 197--204

Twórcy

autor

Michał Trzęsiok

• The Karol Adamiecki University of Economics in Katowice, Poland

Bibliografia

• Abe S. (2005), Support Vector Machines for Pattern Classification, Springer.
• Boser B., Guyon I., and Vapnik V. (1992). A training algorithm for optimal margin classifiers. In Haussler D. (ed.), 5th Annual ACM Workshop on COLT, ACM Press, Pittsburgh, p. 144-152.
• Cristianini N., Shawe-Taylor J. (2000), An Introduction to Support Vector Machines (and other kernel-based learning methods), Cambridge University Press, Cambridge.
• Diederich J. (ed.) (2008), Rule Extraction from Support Vector Machines, Springer.
• Gatnar E. (2001), Nonparametric Method for Classification and Regression (in Polish), PWN, Warszawa.
• Guyon I., Gunn S., Nikravesh M., Zadeh L. (eds) (2006), Feature Extraction, Foundations and Applications. Springer.
• Trzęsiok M. (2009), Variable Selection in Support Vector Machines (in Polish), In: Jajuga K., Walesiak M. (eds), "Taksonomia 16" Wroclaw University of Economics Publishing House, Wroclaw, p. 214-222.
• Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, N.Y.