- 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 SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu - Bibliografia
-
- Cristianini N., Shawe-Taylor J. (2000), An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press.
- 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.
- Smola A., Schölkopf B. (2002), Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press, Cambridge.
- Trzęsiok M. (2004), Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] A.S.-Barczak (red.), Postępy ekonometrii, AE, Katowice.
- Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, NY.
- Cytowane przez
- ISSN
- 0324-8445
1505-9332 - Język
- pol
