BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Trzęsiok Michał (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
Title
Zastosowanie metody SVM w klasyfikacji danych
Support Vector Machines - Application to Classification
Source
Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (11), 2004, nr 1022, s. 116-124, tab., bibliogr. 4 poz.
Issue title
Klasyfikacja i analiza danych - teoria i zastosowania
Keyword
Metoda wektorów nośnych (SVM), Klasyfikacja danych
Support Vector Machines (SVM), Data classifications
Note
summ.
Abstract
W referacie przedstawiono metodę wektorów nośnych. Dynamiczny rozwój jej zastosowań jest związany z jej własnościami. Po pierwsze, metoda ta umożliwia nieliniową klasyfikację przy zachowaniu dużego uogólnienia otrzymywanego modelu. Nieliniowość klasyfikacji realizuje się przez wybór nieliniowej funkcji jądrowej. Różnorodność możliwości wyboru rodzaju funkcji jądrowej oraz jej parametrów sprawia, że metoda wektorów nośnych pozwala przeszukiwać duży zbiór funkcji dyskryminujących. Po drugie, metoda ta należy do grupy metod odpornych, tzn. dopuszcza, aby w zbiorze uczącym znajdowały się obserwacje błędnie sklasyfikowane, np. w wyniku działania czynników losowych. (fragment tekstu)

The support vector machine has been developed as robust tool for classification in noisy, complex domain. It features non-linear classification by mapping the input space into the higher dimensional space, where an optimal separating hyperplane is found. This linear decision boundary corresponds with a non-linear classifier in the original space. Moreover the slack variables are introduced to allow for training errors in noisy data sets. The paper presents the method and gives a numerical example for illustration. (original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Main Library of Poznań University of Economics and Business
Bibliography
Show
  1. Gunn S.R., Support Vector Machines for Classification and Regression, Technical Report, Image Speech and Intelligent Systems Research Group, University of Southampton 1997.
  2. Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer-Verlag, New York 2001.
  3. Stitson M.O., Weston J.A.E., Gammerman A., Vovk V., Vapnik V., Theory of Support Vector Machine, Technical Report, CSD-TR-96-17, Royal Holloway University of London 1996.
  4. Vapnik V., The Nature of Statistical Learning Theory, Springer-Verlag, New York 1995.
Cited by
Show
ISSN
0324-8445
1505-9332
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu