×
冯先生。；O.L.Mangasarian。

多类别近端支持向量机分类器。 （英语） 兹比尔1101.68758

机器。学习。 59，第1-2号，77-97（2005）.
小结：给定一个数据集，其中每个元素都用一个（k）标签标记，我们用一个非常快速的算法构造了一个（k\）类别近端支持向量机（PSVM）分类器。近似支持向量机及其相关方法可以解释为应用于分类问题的岭回归。大量的计算结果表明，PSVM对两类分类问题的有效性，其中分离平面的构建时间比传统支持向量机短两个数量级。当PSVM应用于包含两个以上类的问题时，为了利用其快速性能，众所周知的从最新开始的方法是一种自然的选择。然而，这种“一选一”的方法有一个缺点。由此产生的两类问题通常非常不平衡，在某些情况下会导致表现不佳。为了解决这个问题，我们提出了平衡\（k\）类和对PSVM进行新的牛顿精化修改。计算结果表明，这两个修改保持了PSVM的速度，同时通常会导致测试集比普通PSVM一对一应用程序有显著改进。改进后的方法比使用传统SVM公式的其他自测试方法快得多，同时仍能提供可比较的测试集正确性。

引用于65文件

MSC公司：

68T05型 人工智能中的学习和自适应系统

关键词：

多类别数据分类；支持向量机；近端分类器

软件：

RSVM公司；SSVM（SSVM）；CLAPACK公司；LAPACK公司；内核-机器；CPLEX公司；Matlab公司；UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{G.M.Fung}和\textit{O.L.Mangasarian}，马赫。学习。59，编号1--2，77-97（2005；Zbl 1101.68758）
全文： 内政部

参考文献：

[1] Anderson，E.，Bai，Z.，Bischof，C.，Blackford，S.，Demmel，J.，Dongarra，J.、Du Croz，J.和Greenbaum，A.，Hammarling，S.、McKenney，A.和Sorensen，D.（1999）。LAPACK用户指南，第三版。宾夕法尼亚州费城：SIAM。http://www.netlib.org/lapack/。 ·Zbl 0934.65030号
[2] Bennett，K.P.和Mangasarian，O.L.（1993）。通过线性规划实现多类别分离。优化方法和软件，3，27–39·doi:10.1080/10556789408805554
[3] Bottou，L.、Cortes，C.、Denker，J.、Drucker，H.、Guyon，I.、Jackel，L.，LeCun，Y.、Muller，U.、Sackinger，E.、Simard，P.和Vapnik，V.（1994）。分类器方法的比较：手写数字识别的案例研究。模式识别国际会议（第77-87页）。IEEE计算机学会出版社。
[4] Bradley，P.S.&Mangasarian，O.L.（2000）。通过线性支持向量机进行大规模数据识别。优化方法和软件，13，1-10。ftp://ftp.cs.wisc.edu/math-prog/tech-reports/98-03.ps。 ·Zbl 0986.90085号 ·doi:10.1080/10556780008805771
[5] Bredensteiner，E.J.和Bennett，K.P.（1999）。基于支持向量机的多类别分类。计算优化与应用，12，53–79·Zbl 1040.90574号 ·doi:10.1023/A：1008663629662
[6] Burges，C.J.C.（1998年）。模式识别支持向量机教程。数据挖掘和知识发现，2:2，121–167·Zbl 05470543号 ·doi:10.1023/A:1009715923555
[7] Chen，C.和Mangasarian，O.L.（1996）。混合错误分类最小化。计算数学进展，5:2，127–136。ftp://ftp.cs.wisc.edu/math-prog/tech-reports/95-05.ps。 ·兹比尔0857.68088 ·doi:10.1007/BF02124738
[8] Cherkassky，V.&Mulier，F.（1998年）。从数据中学习——概念、理论和方法。纽约：JohnWiley&Sons·Zbl 0960.6202号
[9] CPLEX Optimization Inc.，内华达州Incline Village。(1992). 使用CPLEX（TM）线性优化器和CPLEX混合整数优化器（2.0版）。
[10] Dasgupta，S.（2000年）。随机投影实验。《人工智能中的不确定性：第十六届会议记录》（UAI-2000）（第143-151页）。加利福尼亚州旧金山：Morgan Kaufmann Publishers。
[11] Evgeniou，T.、Pontil，M.和Poggio，T.（2000）。正则化网络和支持向量机。A.Smola、P.Bartlett、B.Schölkopf和D.Schurmans（编辑），《大边距分类器的进展》（第171-203页）。马萨诸塞州剑桥：麻省理工学院出版社·Zbl 0939.68098号
[12] 法奇尼，F.（1995）。最小化SC1功能和马拉托斯效应。运营研究快报，17，131–137·Zbl 0843.90108号 ·doi:10.1016/0167-6377（94）00059-F
[13] Fung，G.和Mangasarian，O.L.（2001）。近距离支持向量机分类器。F.Provost&R.Srikant（编辑），《KDD-2001：知识发现和数据挖掘学报》（第77-86页）。加利福尼亚州旧金山，纽约：计算机协会。ftp://ftp.cs.wisc.edu/pub/dmi/tech-reports/01-02.ps·兹比尔1101.68758
[14] Furey，T.S.、Duffy，N.、Cristianini，N.，Bednarski，D.、Schummer，M.和Haussler，D.（2000）。使用微阵列表达数据支持向量机分类和验证角鲨组织样本。生物信息学，16:10，906–914·doi:10.1093/bioinformatics/16.10.906
[15] Van Gestel，T.、Suykens，J.、Lanckriet，G.、Lambrechts，A.、De Moor，B.和Vandwalle，J.（2002年）。多类ls-svms：调节输出和编码解码方案。《神经处理快报》，15:1，45-48·Zbl 1008.68739号 ·doi:10.1023/A:1013815310229
[16] Hiriart-Urruti，J.-B.，Strodiot，J.J.，&Nguyen，V.H.（1984）。CL1数据问题的广义hessian矩阵和二阶最优性条件。应用数学与优化，11，43–56·Zbl 0542.49011号 ·doi:10.1007/BF0142169
[17] Hoerl，A.E.&Kennard，R.W.（1952年）。非正交问题的有偏估计。技术计量学，12，55–67·Zbl 0202.17205号 ·数字对象标识代码：10.2307/1267351
[18] 徐春伟、林春杰（2001）。多类支持向量机方法的比较。http://www.csie.ntu.edu.tw/cjlin/papers.html。
[19] Kanzow，C.、Qi，H.和Qi，L.（2001）。关于线性规划的最小范数解。汉堡大学预印本。《优化理论与应用杂志》即将出版。http://www.math.uni-hamburg.de/home/kanzow/paper.html。 ·Zbl 1043.90046号
[20] Lee，Y.-J.和Mangasarian，O.L.（2001）。RSVM：简化支持向量机。第一届SIAM国际数据挖掘会议记录，芝加哥，4月5-7日，CD-ROM。网址：//ftp.cs.wisc.edu/pub/dmi/tech-reports/00-07.ps。
[21] Lee，Y.-J.和Mangasarian，O.L.（2001）。SSVM：平滑支持向量机。计算优化与应用，20，5–22。威斯康星大学数据挖掘研究所，技术报告99-03。ftp://ftp.cs.wisc.edu/pub/dmi/tech-reports/99-03.ps。 ·Zbl 1017.90105号 ·doi:10.1023/A:101125321374
[22] Mangasarian，O.L.（1994）。非线性规划。宾夕法尼亚州费城：SIAM·Zbl 0833.90108号
[23] Mangasarian，O.L.（2000）。广义支持向量机。A.Smola、P.Bartlett、B.Schölkopf和D.Schurmans（编辑），《大边距分类器的进展》（第135–146页）。马萨诸塞州剑桥：麻省理工学院出版社。ftp://ftp.cs.wisc.edu/math-prog/tech-reports/98-14.ps。
[24] MATLAB软件。(1994–2001). 用户指南。The MathWorks，Inc.，马萨诸塞州纳蒂克，邮编01760。http://www.mathworks.com。
[25] Murphy，P.M.和Aha，D.W.（1992年）。UCI机器学习库。网址：http://www.ics.uci.edu/\（\sim\）mlearn/MLRepository.html。
[26] Polyak，B.T.（1987）。优化简介。纽约：Optimization Software，Inc.，出版部·兹比尔0708.90083
[27] Rockafellar，R.T.（1970）。普林斯顿凸分析。新泽西：普林斯顿大学出版社·Zbl 0193.18401号
[28] Roth，V.和Steinhage，V.（1999年）。基于核函数的非线性判别分析。S.A.Solla、T.K.Leen和K.-R.Mueller（编辑），《神经信息处理系统的进展——NIPS*99》（第568-574页）。
[29] Schölkopf，B.、Mika，S.、Burges，C.J.C.、Knirsch，P.、Müller，K.-R.、Rätsch，G.和Smola，A.J.（1999）。基于内核的方法中的输入空间与特征空间。IEEE神经网络汇刊，101000–1017·数字对象标识代码：10.1109/72.788641
[30] Smola，A.J.和Schölkopf，B.（2000年）。机器学习的稀疏贪婪矩阵近似。程序。第17届国际机器学习大会（第911–918页）。加利福尼亚州旧金山：Morgan Kaufmann。
[31] Suykens，J.A.K.、Van Gestel，T、De Brabanter，J.、De Moor，B.和Vandewalle，J.（2002）。最小二乘支持向量机。新加坡：世界科学出版公司·Zbl 1017.93004号
[32] Suykens，J.A.K.、Lukas，L.、Van Dooren，P.、De Moor，B.和Vandewalle，J.（1999）。最小二乘支持向量机分类器：一种大规模算法。欧洲电路理论与设计会议，ECCTD’99（第839-842页）。意大利斯特雷萨。
[33] Suykens，J.A.K.和Vandewalle，J.（1999）。最小二乘支持向量机分类器。《神经处理快报》，9:3，293–300·Zbl 05467879号 ·doi:10.1023/A:1018628609742
[34] Suykens，J.A.K.和Vandewalle，J.（1999）。多类最小二乘支持向量机。1999年国际JCNN会议记录（第CD-ROM页）。华盛顿特区·Zbl 0958.93042号
[35] Tikhonov，A.N.和Arsenin，V.Y.（1977年）。错误问题的解决方案。纽约：John Wiley&Sons·Zbl 0354.65028号
[36] Vapnik，V.N.（2000）。统计学习理论的本质。纽约：斯普林格·兹比尔0934.62009
[37] Weston，J.和Watkins，C.（1998年）。多类支持向量机。技术报告csd-tr-98-04，英国萨里郡伦敦大学皇家霍洛韦分校。
[38] Williams，C.K.I.和Seeger，M.（2000）。使用Nyström方法加速内核机器。神经信息处理系统进展（NIPS2000）。http://www.kernel-machines.org。
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。