×
卡洛塔·奥尔塞尼戈;卡洛·维切利斯

使用多面体分类器从少数示例中准确学习。 （英语） Zbl 1133.68420号

计算。最佳方案。申请。 38，第2期，235-247（2007）.
摘要：在学习理论的背景下，许多人致力于开发能够扩展大规模数据问题的分类算法。本文解决了互补性问题，旨在通过从少量数据中准确学习来获得强大的分类规则。这项任务是通过求解一个新的混合整数规划模型来完成的，该模型扩展了离散支持向量机的概念，以便为二进制分类问题导出一组最优的分离超平面。根据超平面集的基数，分类区域可以是定义示例的原始空间中的凸多面体或多面体。对基准数据集的计算测试突出了该模型的有效性，与其他分类方法相比，该模型具有最高的准确性。

引用于7文件

MSC公司：

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统
90立方厘米 混合整数编程
92C20美元 神经生物学

关键词：

分类;模式识别;学习理论;支持向量机;混合整数编程

软件：

UCI-毫升;伦敦银行支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{C.Orsenigo}和\textit{C.Vercellis}，计算。最佳方案。申请。38，第2号，235--247（2007；Zbl 1133.68420）
全文： 内政部

参考文献：

[1] Anthony，M.：关于通过迭代线性分区进行数据分类。离散应用程序。数学。144, 2–16 (2004) ·Zbl 1099.68083号 ·doi:10.1016/j.dam.2004.04.003
[2] Astorino，A.，Gaudioso，M.：通过连续LP的多面体可分性。J.优化。理论应用。112, 265–293 (2002) ·Zbl 1049.90039号 ·doi:10.1023/A:1013649822153
[3] Berg，C.，Christensen，J.P.R.，Ressel，P.：半群的调和分析：正定理论和相关函数。施普林格，纽约（1984）·Zbl 0619.43001号
[4] Bradley，P.S.，Fayyad，U.M.，Mangasarian，O.L.：数据挖掘的数学编程：公式和挑战。信息J.计算。11, 217–238 (1999) ·Zbl 0973.90096号 ·doi:10.1287/ijoc.11.3.217
[5] Chang，C.C.，Lin，C.J.：LIBSVM：支持向量机库（2001）
[6] Cristianini，N.，Shawe-Taylor，J.：支持向量机和其他基于内核的学习方法简介。剑桥大学出版社，剑桥（2000）·Zbl 0994.68074号
[7] Evgeniou，T.、Poggio，T.，Pontil，M.、Verri，A.：数据分析的正则化和统计学习理论。J.计算。统计数据分析。38, 421–432 (2002) ·Zbl 1072.62642号 ·doi:10.1016/S0167-9473（01）00069-X
[8] Geman，S.：组成性。技术报告，《布朗大学教师公报》（1999年）
[9] Herman，G.T.，Yeung，K.T.D.：关于分段线性分类。IEEE传输。模式分析。机器。智力。14, 782–786 (1992) ·doi:10.1009/34.142914
[10] Hettich，S.、Blake，C.、Merz，C.：机器学习数据库的UCI存储库。统一资源定位地址网址：http://www.ics.uci.edu/\（\sim\）mlearn/MLRepository.html（1998）
[11] Kohavi，R.：精度估计和模型选择的交叉验证和引导研究。摘自：《第十四届国际人工智能会议记录》，第1137-1143页。Morgan Kaufmann，圣马特奥（1995）
[12] Mangasarian，O.：数据挖掘中的数学编程。最小已知数据。发现。1, 183–201 (1997) ·doi:10.1023/A:1009735908398
[13] Orsenigo，C.，Vercellis，C.：基于最小特征离散支持向量机的多元分类树。IMA J.马纳格。数学。14, 221–234 (2003) ·Zbl 1115.90406号 ·doi:10.1093/imaman/14.3.221
[14] Orsenigo，C.，Vercellis，C.：通过禁忌搜索的离散支持向量决策树。J.计算。统计数据分析。47, 311–322 (2004) ·Zbl 1429.62261号 ·doi:10.1016/j.csda.2003.11.005
[15] Orsenigo，C.，Vercellis，C.：通过离散支持向量机进行一对多类别分类。摘自：Ebecken N.等人（编辑）《数据挖掘IV》，第255-264页。WIT，Ashurst Lodge（2004年）·Zbl 1429.62261号
[16] Remshagen，A.，Truempha，K.：基于逻辑的诱拐算法。德克萨斯大学达拉斯分校技术报告（2002年）·Zbl 1069.68540号
[17] Scholkopf，B.，Smola，A.J.：使用内核学习：支持向量机、正则化、优化及其他。麻省理工学院，剑桥（2002）
[18] Tikhonov，A.N.，Arsenin，V.Y.：不良问题的解决方案。温斯顿，华盛顿（1977年）·Zbl 0354.65028号
[19] Vapnik，V.：《统计学习理论的本质》。施普林格，纽约（1995）·Zbl 0833.62008号
[20] Vapnik，V.：统计学习理论。威利，纽约（1998）·Zbl 0935.62007号
[21] Wolberg，W.H.，Mangasarian，O.L.：用于乳腺细胞学医学诊断的多表面模式分离方法。程序。美国国家科学院。科学。87, 9193–9196 (1990) ·Zbl 0709.92537号 ·doi:10.1073/pnas.87.23.9193
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。