BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Trzęsiok Michał (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
Tytuł
Empiryczna ocena wrażliwości metody wektorów nośnych na występowanie obiektów błędnie sklasyfikowanych w zbiorze uczącym
Support Vector Classification and Its Sensitivity to the Presence of Noise in the Training Data
Źródło
Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach, 2008, nr 50, s. 151-159, rys., tab., bibliogr. 6 poz.
Tytuł własny numeru
Zastosowanie metod matematycznych w ekonomii i zarządzaniu
Słowa kluczowe
Odporne metody statystyczne, Analiza dyskryminacyjna, Błąd klasyfikacji, Metoda wektorów nośnych (SVM)
Robust statistical methods, Discriminant analysis, Classification error, Support Vector Machines (SVM)
Uwagi
summ.
Abstrakt
Metoda wektorów nośnych jest uważana za metodę odporną. W dalszej części artykułu przedstawiono pokrótce algorytm metody SVM, ze szczególnym uwzględnieniem elementów czyniących ją odporną na błędy występujące w zbiorze uczącym, a następnie empirycznie sprawdzono na zbiorze danych standardowo wykorzystywanym do badania własności metod wielowymiarowej analizy statystycznej, w jakim stopniu metoda jest odporna. Dla porównania zbadano również konkurencyjne metody dyskryminacji. (fragment tekstu)

The Support Vector Machines have been developed as a robust tool for classification in noisy, complex domains. The paper presents a comparison of some selected classification methods by the means of classification test set error depending on the presence of noise in the training data.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej w Warszawie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Cristianini N., Shawe-Taylor J.: An Introduction To Support Vector Machines (and Other Kernel-Based Learning Methods). Cambridge University Press, Cambridge 2000.
  2. Leisch F., Dimitriadou E.: The mlbench Package - A Collection for Artificial and Real-World Machine Learning Benchmarking Problems. R Package, Version 1.0-0. Dostępne przez: http://cran.R-project.org (2004).
  3. Smola A, Schölkopf B.: Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge 2002.
  4. Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne. W: Postępy ekonometrii. Red. A.S. Barczak. AE, Katowice 2004.
  5. Trzęsiok M.: Zarys teoretycznych podstaw metody dyskryminacji wykorzystującej wektory nośne. "Studia Ekonomiczne" 2005, nr 36.
  6. Vapnik V.: Statistical Learning Theory. John Wiley & Sons, N.Y. 1998.
Cytowane przez
Pokaż
ISSN
2083-8603
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu