Pokaż uproszczony rekord

dc.contributor.authorTrzęsiok, Michał
dc.date.accessioned2015-04-02T12:52:31Z
dc.date.available2015-04-02T12:52:31Z
dc.date.issued2009
dc.identifier.issn0208-6018
dc.identifier.urihttp://hdl.handle.net/11089/7669
dc.description.abstractSupport vector machines belong to the group of methods of supervised learning. They generate non-linear models with good generalization abilities. The core of SVMs algorithm is the quadratic program which is solved for obtaining the optimal separating hyperplane. Because finding the solution of this quadratic program is computationally expensive, SVMs are not feasible for very large data sets. As a solution Wang, Wu and Zhang (2005) suggested to combine the AT-means clustering technique with SVMs to reduce the number of support vectors. The paper presents a common approach using K-medoids and compares it with the original SVMs.pl_PL
dc.description.abstractMetoda wektorów nośnych jest metodą dyskryminacji generującą nieliniowe modele o dużym stopniu uogólnienia (małych błędach klasyfikacji na zbiorach testowych). Jednak ze względu na dużą złożoność obliczeniową, związaną z koniecznością rozwiązania zadania optymalizacji wypukłej, które jest podstawowym elementem algorytmu metody, stosowanie metody, szczególnie w przypadku zbiorów uczących o dużej liczebności, nie zawsze jest możliwe. Złożoność obliczeniowa algorytmu metody wektorów nośnych zależy przede wszystkim od liczby obserwacji w zbiorze uczącym. Jako rozwiązanie tego problemu Wang, Wu i Zhang zaproponowali pogrupowanie danych ze zbioru uczącego za pomocą taksonomicznej metody AT-średnich i zastosowanie metody wektorów nośnych na dużo mniej licznym zbiorze środków ciężkości tak otrzymanych klas. W artykule przedstawiona została ocena analogicznego podejścia, wykorzystującego do grupowania metodę K-medoidów oraz porównanie z oryginalną metodą wektorów nośnych.pl_PL
dc.description.sponsorshipZadanie pt. „Digitalizacja i udostępnienie w Cyfrowym Repozytorium Uniwersytetu Łódzkiego kolekcji czasopism naukowych wydawanych przez Uniwersytet Łódzki” nr 885/P-DUN/2014 zostało dofinansowane ze środków MNiSW w ramach działalności upowszechniającej naukępl_PL
dc.language.isoenpl_PL
dc.publisherWydawnictwo Uniwersytetu Łódzkiegopl_PL
dc.relation.ispartofseriesActa Universitatis Lodziensis. Folia Oeconomica;225
dc.subjectsupport vector machinespl_PL
dc.subjectK-medoidspl_PL
dc.subjectmachine learningpl_PL
dc.titleClustering Methods Applied to Reduce the Training Sample Size in Support Vector Machinespl_PL
dc.title.alternativeWykorzystanie metod taksonomicznych do redukcji liczebności zbioru uczącego w metodzie wektorów nośnychpl_PL
dc.typeArticlepl_PL
dc.page.number[227]-233pl_PL
dc.contributor.authorAffiliationThe Karol Adamiecki University of Economics in Katowicepl_PL
dc.referencesBruce A., Gao H.Y.(1996), Applied wavelet analysis with S-Pltis, Springer-Verlag, New York.
dc.referencesCherkassky V., Mulier F.(1998), Learning from data - concepts, theory, and methods, John Wiley & Sons, Inc., New York.
dc.referencesDonoho D., Johnstone I.(1994), Ideal spatial adaptation via wavelet shrinkage, „Biometrika”, 81: 425-455
dc.referencesDonoho D., Jоhnstоnс I.(1995), Adapting to unknown smoothness via wavelet shrinkage, „Journal of the American Statistical Association”, 90: 1200-1224.
dc.referencesHastie T., Tibshirani R., Friedman J.H. (2001),The elements of statistical learning, Springer-Verlag, New York.


Pliki tej pozycji

Thumbnail

Pozycja umieszczona jest w następujących kolekcjach

Pokaż uproszczony rekord