多安，尤伦;托比亚斯眼镜商;克里斯蒂安·伊格尔 多类支持向量分类的统一视图。 （英语） Zbl 1360.68669号 J.马赫。学习。物件。 17，第45号论文，32页（2016年）. 摘要：提出了对多类支持向量机（SVM）的统一看法，涵盖了最显著的变体，包括一对多方法以及由Weston&Watkins、Crammer&Singer、Lee、Lin、&Wahba和Liu&Yuan提出的算法。这种统一导致了二次训练问题和新的多类SVM公式的模板。在我们的框架内，我们对多类保证金和基于保证金的损失的各种概念进行了比较分析。特别是，我们证明了所考虑的损失函数的局限性，例如在Crammer&Singer机器中。我们分析了多类损失函数的Fisher一致性和各种机器的通用一致性。一方面，我们给出了SVM的例子，这些SVM在特定的超参数范围内普遍一致，而不是基于Fisher一致性损失。这包括Weston&Watkins和Vapnik提出的SVM到多个类的规范扩展以及一对多方法。另一方面，研究表明，基于Fisher一致损失函数的机器在低维特征空间中无法识别正确的决策边界。我们在一项彻底的实证研究中比较了九种不同的多类SVM的性能。我们的结果建议使用Weston&Watkins支持向量机，该支持向量机可以较快地训练，并且在基准函数上具有良好的精度。如果训练时间是一个主要问题，那么选择一对一的方法。 引用于6文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 62H30型 分类和区分；聚类分析（统计方面） 关键词：支持向量机;多类别分类;一致性 软件：夏克;SVM灯;LIBLINEAR银行;伦敦银行支持向量机 PDF格式BibTeX公司 XML格式引用 \textit{尤·多安}等人，J.马赫。学习。第17号决议，第45号论文，32页（2016年；Zbl 1360.68669） 全文： 链接