闪光灯

描述(主页):SVMlight是Vapnik的支持向量机(VaViNK,1995)针对模式识别问题、回归问题和学习排序函数问题的一种实现。在[JoaIMS,22A]中描述了用于SmithLink的优化算法。[约阿希姆斯,1999年A]。该算法具有可扩展的内存需求,并能有效地处理数千个支持向量的问题。该软件还提供了有效地评估泛化性能的方法。它包括两种有效的错误率和精度/召回率的估计方法。XIALPHA估计(JoaCHIMS,2002年A,Joachims,2000 B]可以基本上没有计算费用,但它们是保守偏置。几乎无偏估计提供了一次性测试。SvMLITE的开发结果是,大多数离开一个OUT(通常超过99%)是预先确定的,不需要计算[JoaIMS,22A]。这个版本中的新算法是学习排名函数的算法[JoaCHIMS,22C]。目标是从偏好示例中学习函数,以便它尽可能精确地订购一组新的对象。这样的排名问题自然出现在搜索引擎和推荐系统等应用中。Futhermore,这个版本包括一个训练大规模转导支持向量机的算法。该算法通过求解一系列优化问题,使用局部搜索的形式来降低解的边界。该算法的详细描述可以在[JoaCHIMS,1999 9C]中找到。类似的转导学习者,可以被认为是K-近邻的转导版本是光谱图换能器。SvMLIt还可以用成本模型来训练支持向量机(参见[Murk等人,1999)]。该代码已被应用于一系列的问题,包括文本分类[JoaIMS,1999 9C] [JoaIMS,1998 8A],图像识别任务,生物信息学和医学应用。许多任务都具有稀疏实例向量的性质。这种实现利用了这个属性,从而导致非常紧凑和高效的表示。


ZBMaCT中的参考文献(254篇文章中引用)

显示结果1至20的254。
按年份排序(引文
  1. Kantavat,PITTIOPL;KijsiRikl,Boonserm;宋思日,Patoomsiri;Fukui,Ken Ichi;NuMaO,Masayui:基于熵和泛化误差估计的多类支持向量机的高效决策树(2019)
  2. 霍恩,丹尼尔;DimiCIO Lu,Aydn;BiChl,贝尔恩德;GalasMakes,托拜厄斯;WiHS,克劳斯:大规模核化支持向量机的比较研究(2018)
  3. Ramaswamy,Harish G.;Teavi,AbBuj.AgaWall,Shivani:具有弃权选择的多类分类的一致性算法(2018)
  4. 王,Yuchuang;石,Guoyou;孙,萧通:集装箱船航行集装箱数量预测模型(2018)
  5. Bacciu,Davide;CARTA,安东尼奥;Gnesi,斯特凡尼亚;Simii,劳拉:在智能交通系统中使用机器学习进行短期预测的经验(2017)
  6. Duarte Silva,A. Pedro:监督分类的优化方法(2017)
  7. Farooq,穆罕默德;Steinwart,Ingo:一种支持向量回归的回归模型(2017)
  8. Ingo Steinwart,Philipp Thomann:SurvivSVM:一个快速通用的SVM软件包(2017)阿西夫
  9. 白,Yan Qin;沈,Kai Ji:(ELYS1)-(\ ELYS2)正则化Logistic回归模型乘子的交替方向法(2016)
  10. Bloom,VrONICA;GriVa,Igor;Quijada,法比奥:支持向量机的快速投影梯度法(2016)
  11. 托拜厄斯,Igel,基督教:多类支持向量分类的统一观点(2016)
  12. Muthu Krishnan,S.:用混合方法将脊椎动物血红蛋白蛋白分类到一般PseAAC中(2016)
  13. 郑,宋风:平滑近似支持向量域描述(2016)
  14. Mozharovskyi,帕夫洛;莫斯勒,卡尔;兰格,Tatjana:用(DDα)程序对真实世界数据进行分类(2015)
  15. 牛,Lingfeng;周,瑞芝;赵,西;施,Yong:训练约束约束支持向量机的两种新的分解算法(2015)
  16. Steidl,Gabriele:支持向量机的监督学习(2015)
  17. Veelaert,彼得:分离超平面支持向量的组合性质(2015)
  18. Beck,阿米尔:求解双面单纯形约束极小化问题的2-坐标下降法(2014)
  19. James P.,Holden,Sean B.;保尔森,Lawrence C.:一阶定理证明的机器学习(2014)
  20. 布鲁克斯,J. Paul;李,Eva K.:求解多组混合整数规划的约束判别模型(2014)