The importance of predictor variables for individual classes in SVM

Abstract

W metodzie wektorów nośnych (SVM) funkcja dyskryminująca wyznaczana jest poprzez transformację danych w przestrzeń o znacznie większym wymiarze, gdzie poszukuje się optymal- nej hiperpłaszczyzny rozdzielającej klasy parami. Na skutek tej transformacji działanie metody SVM przypomina działanie „czarnej skrzynki”, co oznacza, iż bardzo trudno interpretować wyniki tak otrzymanej klasyfikacji. Po zbudowaniu modelu często ważnym problemem jest znalezienie stosownego opisu klas oraz rozpoznanie, które zmienne objaśniające miały największy wpływ na kształt poszczególnych klas (zidentyfikowanie zmiennych charakterystycznych). Głównym celem przeprowadzonej analizy jest przedstawienie procedury wykorzystującej techniki próbkowania, selekcję oraz miarę zgodności klasyfikacji, do oceny wpływu poszczegól- nych zmiennych diagnostycznych na kształt każdej z klas.