×
王冉;Kwong，Sam山姆;陈德刚;曹晶晶

多类问题的向量值支持向量机模型。 （英语） Zbl 1284.68508号

信息科学。 235, 174-194 (2013).
摘要：本文提出了一种新的基于向量值决策的多类支持向量机模型（M-SVMs-VVD）或VVD。其基本思想是在由某些核诱导的特征空间中，用SVM超平面来分离类，其中，（a）是有限正整数。我们从（2^a）类问题开始，通过应用层次分解过程将其扩展到任意类问题。与现有的基于SVM的多类方法相比，VVD模型具有两个优点。首先，它通过使用少量分类器来降低计算复杂度。其次，由超平面诱导的特征空间划分有效地消除了可能影响算法分类性能的不可分类区域。与几种最新的多类方法的实验比较表明，VVD保持了相当的测试精度，同时使用更少的分类器、更少的支持向量（SV）和更短的测试时间提高了分类效率。

引用于三文件

MSC公司：

68T05型 人工智能中的学习和自适应系统

关键词：

要素空间;超平面;多类别分类;支持向量机;不可分类区域（UR）

软件：

SMOTE公司
PDF格式BibTeX公司 XML格式引用
\textit{R.Wang}等人，《信息科学》。235174-194（2013年；Zbl 1284.68508）
全文： DOI程序

参考文献：

[1] Allwein，E.L。；夏皮雷，R.E。；Singer，Y.，《将多类简化为二进制：边缘分类器的统一方法》，机器学习研究杂志，1113-141（2001）·Zbl 1013.68175号
[2] 巴蒂斯塔，G.E。；普拉蒂，R.C。；Monard，M.C.，《平衡机器学习训练数据的几种方法的行为研究》，ACM SIGKDD Explorations Newsletter，6，1，20-29（2004）
[3] Berzal，F。；库贝罗，J.C。；北卡罗来纳州三月。；Sánchez，D.，《用数字属性构建多路决策树》，《信息科学》，165，1-2，73-90（2004）·Zbl 1089.68087号
[4] Bredensteiner，E.J。；Bennett，K.P.，支持向量机的多类别分类，计算优化与应用，12，1，53-79（1999）·Zbl 1040.90574号
[5] 查拉，N.V。；鲍耶，K.W。；洛杉矶霍尔。；Kegelmeyer，W.P.，Smote:合成少数人过采样技术，《人工智能研究杂志》，16，321-357（2002）·Zbl 0994.68128号
[6] 陈，D。；何，Q。；Wang，X.，关于特征空间中数据集的线性可分性，神经计算，70，13-15，2441-2448（2007）
[7] Cheong，S。；哦，S.H。；Lee，S.Y.，用于多类分类的二叉树结构支持向量机，神经信息处理-信件和评论，2，3，47-51（2004）
[8] 克拉默，K。；Singer，Y.，《关于多类问题输出代码的可学习性和设计》，机器学习，47，2，201-233（2002）·Zbl 1012.68155号
[9] Dietterich，T.G。；Bakiri，G.，《通过纠错输出代码解决多类学习问题》，《人工智能研究杂志》，第2263-286页（1995年）·兹比尔0900.68358
[10] Fawcett，T.，《Roc图：研究人员的注意事项和实际考虑》，机器学习，31，1-38（2004）
[12] Guermeur，Y.，将判别模型与新的多类支持向量机相结合，模式分析与应用，5，2，168-179（2002）·Zbl 1021.68080号
[13] 徐春伟。；Lin，C.J.，多类支持向量机方法的比较，IEEE神经网络汇刊，13，2，415-425（2002）
[15] Kecman，V.，《学习和软计算：支持向量机、神经网络和模糊逻辑模型》（2001），麻省理工学院出版社·Zbl 0994.68109号
[16] 坎多克，A.H。；Palaniswami，M。；Karmakar，C.K.，从心电图记录中自动识别阻塞性睡眠呼吸暂停综合征的支持向量机，IEEE生物医学信息技术汇刊，13，1，37-48（2009）
[18] Koike，A。；Takagi，T.，使用支持向量机预测蛋白质相互作用位点，蛋白质工程设计和选择，17，2，165-173（2004）
[19] 寇，G。；彭，Y。；陈，Z。；Shi，Y.，多准则数学规划在网络入侵检测中的应用，信息科学，179,4371-381（2009）
[20] 李，R。；李，A。；Wang，T。；Li，L.，支持向量机不可分类区域的向量投影方法，应用专家系统，378856-861（2011）
[21] 林，C.F。；Wang，S.D.，模糊支持向量机，IEEE神经网络汇刊，13，2，464-471（2002）
[22] Lingras，P。；Butz，C.，支持向量机多分类的基于粗糙集的1-v-1和1-v-r方法，信息科学，177，18，3782-3798（2007）
[23] 刘，B。；郝，Z。；Tsang，E.C.C.，基于svms的模式分类嵌套一对一算法，IEEE神经网络汇刊，19，12，2044-2052（2008）
[25] 庞，S。；Ban，T.等人。；Kadobayashi，Y。；Kasabov，N.，个性化模式转换生成支持向量机分类树，信息科学，181，11，2071-2085（2011）
[26] Peng，X.，在原始空间中构建稀疏双支持向量机分类器，信息科学，181，183967-3980（2010）
[27] 普拉特，J.C。；北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，J.，多类分类的大边缘数，神经信息处理系统的进展，12，3，547-553（2000）
[28] 里夫金，R。；Klautau，A.，为一对所有分类辩护，《机器学习研究杂志》，5101-141（2004）·Zbl 1222.68287号
[29] Schölkopf，B。；Smola，A.J.，《用内核学习》（2002），麻省理工学院出版社
[30] 斯隆，A。；Burshtein，D.，改进隐马尔可夫模型的支持向量机训练，IEEE信号处理学报，56，1，172-188（2008）·Zbl 1390.68554号
[32] 苏雷什，S。；北Sundararajan。；Sarathandran，P.，稀疏多类别分类问题的风险敏感损失函数，信息科学，178，12，2621-2638（2008）·Zbl 1183.68505号
[33] 苏肯斯，J.A.K。；Vandewalle，J.，最小二乘支持向量机分类器，《神经处理快报》，9，3，293-300（1999）
[35] Tay，F.E.H。；Cao，L.，支持向量机在金融时间序列预测中的应用，Omega，29，309-317（2001）
[36] 津石，D。；Abe，S.，多类问题的模糊最小二乘支持向量机，神经网络，16，5-6，785-792（2003）
[37] Vapnik，V.N.，《统计学习理论的本质》（2000），斯普林格出版社·Zbl 0934.62009号
[38] Waegeman，W。；De Baets，B.，《两两多类分类中二分排名的及物性分析》，信息科学，180，21，4099-4117（2010）·兹比尔1204.62103
[39] Waegeman，W。；Verwaeren，J。；斯拉宾克，B。；De Baets，B.，具有部分类成员身份的多类分类问题的监督学习算法，模糊集与系统，184，1，106-125（2011）·Zbl 1241.68094号
[40] Wang，L.，支持向量机：理论与应用（2005），Springer·Zbl 1087.68098号
[41] Wang，L。；Fu，X.，《使用计算智能进行数据挖掘》（2005），施普林格出版社·Zbl 1101.68793号
[42] Wang，L。；薛，P。；Chan，K.L.，多类支持向量机模型选择的两个标准，IEEE系统、人与控制论汇刊，B部分：控制论，38，6，1432-1448（2008）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。