BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Trzęsiok Michał (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
Tytuł
Łączenie równoległe modeli klasyfikacji otrzymanych metodą wektorów nośnych
Parallel Unification of the Classification Models Obtained through Support Vectors' Method
Źródło
Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach, 2006, nr 39, s. 129-137, tab., bibliogr. 7 poz.
Tytuł własny numeru
Zastosowanie metod matematycznych w ekonomii i zarządzaniu
Słowa kluczowe
Metoda wektorów nośnych (SVM), Błąd klasyfikacji, Modele matematyczne, Metody samowsporne
Support Vector Machines (SVM), Classification error, Mathematical models, Bootstrap
Uwagi
summ.
Abstrakt
Konstruowanie funkcji klasyfikujących przez łączenie wielu modeli składowych stanowi główny nurt badań naukowych nad metodami klasyfikacji w ciągu ostatnich pięciu lat. Powodem tak dynamicznego rozwoju metod agregujących są ich dobre własności, gdyż klasyfikacja danych na podstawie modeli zagregowanych daje na ogół mniejsze błędy klasyfikacji niż którakolwiek pojedyncza funkcja dyskryminująca, będąca składową modelu zagregowanego. Narzędziem, które umożliwia wyjaśnienie przewagi modeli łączonych nad pojedynczymi, a także pozwala na porównywanie oraz kreowanie nowych metod łączenia modeli, jest analiza błędu klasyfikacji podlegającego dekompozycji na obciążenie, wariancję i szum.(fragment tekstu)

The paper presents a unified bias-variance decomposition of zero-one loss and its application to ensemble method using Support Vector Machines. We have used Breiman's bagging techniąue to aggregate base learners trained on the repeated bootstrap samples. Then, we present a numerical experiment to compare bagged ensemble of SVMs versus single SVMs.(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
Bibliografia
Pokaż
  1. Breiman L.: Bagging Predictors. "Machinę Learning" 1996, nr 24.
  2. Cristianini N., Shawe-Taylor J.: An Introduction to Support Vector Machines (and Other Kemel-Based Learning Methods). Cambridge University Press, Cambridge 2000.
  3. Dietterich T.G., ValentiniG.: Bias-Variance Analysis of Support Vector Machines for the Development of SVM-Based Ensemble Methods. "Journal of Machinę Learning Research" 2000.
  4. Domingos P.: A Unified Bias- Variance Decomposition and Its Applications. Proceedings of the Seventeenth International Conference on Machinę Learning, Stanford 2000.
  5. Smoła A., Schólkopf B.: Learning witli Kernels. Support Yector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge 2002.
  6. Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektoiy nośne. W: Postępy ekonometrii. Red. A.S. Barczak. AE, Katowice 2004.
  7. VapnikV.: Statistical Learning Theory. John Wiley & Sons, New York 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