BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Trzęsiok Michał (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
Tytuł
Identyfikacja obserwacji oddalonych z wykorzystaniem metody wektorów nośnych
Novelty Detection with Support Vector Machines
Źródło
Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (14), 2007, nr 1169, s. 350-357, rys., bibliogr. 5 poz.
Tytuł własny numeru
Klasyfikacja i analiza danych - teoria i zastosowania
Słowa kluczowe
Obserwacje nietypowe, Metoda wektorów nośnych (SVM)
Outliers, Support Vector Machines (SVM)
Uwagi
summ.
Abstrakt
Dyskryminacyjna metoda wektorów nośnych należy do grupy metod odpornych, tzn. że występowanie obserwacji nietypowych lub błędnie sklasyfikowanych w zbiorze uczącym nie wpływa znacząco na jakość otrzymanego modelu. W artykule przedstawiono metodę SVM przeformułowaną tak, by identyfikowała obserwacje oddalone, oraz próbę empirycznego sprawdzenia, czy przeprowadzenie wstępnej identyfikacji i usunięcie obserwacji oddalonych poprawia jakość dyskryminacji na zbiorze testowym. (fragment tekstu)

Support Vector Machines (SVM) are considered as a robust tool for classification. This method is designed for being able to deal with outliers. In the paper Support Vector Machines for single-class problems are presented and the impact of removing previously identified outliers on the classification test set error is analyzed on benchmarking data sets. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Cristianini N., Shawe-Taylor J. (2000), An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press.
  2. 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.
  3. Smola A., Schölkopf B. (2002), Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press, Cambridge.
  4. Trzęsiok M. (2004), Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] A.S.-Barczak (red.), Postępy ekonometrii, AE, Katowice.
  5. Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, NY.
Cytowane przez
Pokaż
ISSN
0324-8445
1505-9332
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu