×
Yann Guermeur先生

将多类SVM与估计类后验概率的线性集成方法相结合。 （英语） Zbl 1290.68109号

Commun公司。统计、理论方法 42，第16号，3011-3030（2013）.
概要：大致来说，模式识别支持向量机有一个主要模型，有几个流行程度较低的变体。相反，在文献中可以找到的不同的多类支持向量机中，没有一个是明显受欢迎的。一方面，它们表现出独特的统计特性。另一方面，多类支持向量机和分解方法之间的多次比较研究强调了每个模型都有其优点和缺点。这些观察结果要求对多类支持向量机的组合进行评估。在本文中，我们研究了多类支持向量机与线性集成方法的结合。它们的样本复杂度很低，这应该可以防止它们过拟合，其中两个的输出是类后验概率的估计。

MSC公司：

68吨10 模式识别、语音识别
62G08号 非参数回归和分位数回归
68T05型 人工智能中的学习和自适应系统

关键词：

容量控制;类后验概率估计;集合方法;多类支持向量机;多元线性模型
PDF格式BibTeX公司 XML格式引用
\textit{Y.Guermeur}，Commun。统计，理论方法42，第16号，3011--3030（2013；Zbl 1290.68109）
全文： 内政部

参考文献：

[1] 内政部：10.1007/978-1-4419-9096-9·doi:10.1007/978-1-4419-9096-9
[2] Bonida R.，SMTDA’12（2012）
[3] Boser，B.E.，Guyon，I.M.，Vapnik，V.N.（1992年）。一种用于最优边缘分类器的训练算法。COLT’92，宾夕法尼亚州匹兹堡，第144-152页。
[4] 内政部：10.1111/1467-9868.00054·doi:10.1111/1467-9868.00054
[5] DOI:10.1023/A:1022627411411·doi:10.1023/A:1022627411411
[6] 内政部：10.1162/15324430260185628·Zbl 1037.68110号 ·网址：10.1162/15324430260185628
[7] Guermeur Y.，帕蒂。分析。适用。5（2）第168页–（2002）·Zbl 1021.68080号 ·doi:10.1007/s100440200015
[8] Guermeur，Y.（2007）。SVM多类，Théorie et Applications。Habilitationádiriger des recherches，论文，UHP。
[9] Guermeur Y.，社区。统计师。西奥。方法。39（3）第543页–（2010年）·Zbl 1188.62188号 ·doi:10.1080/03610920903140288
[10] Guermeur Y.，Int.J.Intell公司。通知。数据库系统。第6（6）页，第555页–（2012年）
[11] Guermeur Y.，Informatica 22（1）第73页–（2011）
[12] 内政部：10.1016/0893-6080（89）90020-8·Zbl 1383.92015年 ·doi:10.1016/0893-6080（89）90020-8
[13] Hosmer D.W.，应用逻辑回归（1989）·Zbl 0967.62045号
[14] 内政部：10.1109/72.991427·doi:10.1109/72.991427
[15] 克洛赫·A·诺尔。计算。11（2）第541页–（1999）·doi:10.1162/0899766999300016764
[16] 内政部：10.1198/016214500000098·Zbl 1089.62511号 ·doi:10.1198/016214500000098
[17] Lin H.-T.，马赫。学习。68（3）第267页–（2007）·Zbl 1471.68220号 ·doi:10.1007/s10994-007-5018-6
[18] 刘毅，《十一届国际会议论文集》。智力。统计师。(2007)
[19] Natarajan B.，马赫。学习。4（1）第67页–（1989）
[20] Platt J.C.，《大利润分类器的进展》，第61页–（2000年）
[21] Richard M.D.，神经计算。第461页第3（4）页–（1991年）·doi:10.1162/neco.1991.3.4.461
[22] Rosen J.B.，J.Soc.Indust公司。申请。数学。8（1）第181页–（1960）·Zbl 0099.36405号 ·数字对象标识代码：10.1137/0108011
[23] Schölkopf，B.，Burges，C.，Vapnik，V.（1995）。提取给定任务的支持数据。KDD’95，加利福尼亚州门罗公园，第252-257页。
[24] 苏肯斯J.A.K.，Neur。过程。莱特。9（3）第293页–（1999）·doi:10.1023/A：1018628609742
[25] Tewari A.，J.马赫。学习。第8号决议第1007页–（2007年）
[26] Thomarat，F.、Lauer，F.和Guermeur，Y.（2012年）。蛋白质二级结构预测的级联判别和生成模型。PRIB'12，日本东京，第166-177页。
[27] Vapnik V.N.，基于经验数据的依赖性估计（1982年）·Zbl 0499.62005号
[28] Vapnik V.N.，统计学习理论（1998）·Zbl 0935.62007号
[29] Wahba G.，非线性建模和预测，复杂性科学中的SFI研究，第95页–（1992）
[30] Weston J.，技术报告CSD-TR-98-04（1998）
[31] Zhang，Jordan，M.I.（2006）。贝叶斯多类别支持向量机。UAI'06，弗吉尼亚州阿灵顿，第552-559页。
[32] 邹H.、朱J.、哈斯蒂T.（2006）。边缘向量、允许损失和基于边缘的多类分类器。技术报告，明尼苏达大学统计学院。
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。