×
皮蒂波尔·坎塔瓦特；Kijsirikul，布恩瑟姆；Patoomsiri松西里；福井，Ken Ichi；马赛尤基努毛

基于熵和泛化误差估计的多类支持向量机高效决策树。 （英语） Zbl 1452.68151号

国际期刊申请。数学。计算。科学。 28，第4号，705-717（2019）.
摘要：我们提出了使用树结构进行多类分类的支持向量机的新方法。在树的每个节点中，我们使用熵和泛化误差估计选择合适的二元分类器，然后根据选择的分类器将示例分为正负类，并训练一个新分类器用于分类阶段。所提出的方法可以在时间复杂度介于（O（log_2N）和（O（N）之间工作，其中（N）是类的数量。我们使用10倍交叉验证将我们的方法与UCI机器学习存储库上的传统技术进行了性能比较。实验结果表明，这些方法对于需要快速分类或具有大量类的问题非常有用，因为所提出的方法比传统技术运行速度快得多，但仍具有相当的准确性。

引用于2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；泛化误差；熵；决策树

软件：

SVM灯；UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{P.Kantavat}等人，国际期刊应用。数学。计算。科学。28，第4号，705--717（2019；Zbl 1452.68151）
全文： 内政部 arXiv公司

参考文献：

[1] Bala，M.和Agrawal，R.K.（2011年）。基于最优决策树的多类支持向量机，Informatica 35（2）：197-209·Zbl 1242.68203号
[2] Bartlett，P.L.和Shawe-Taylor，J.（1999）。支持向量机和其他模式分类器的泛化性能，见B.Schölkopf等人（编辑），《内核方法的进展》，麻省理工学院出版社，马萨诸塞州剑桥，第43-54页。；
[3] Blake，C.L.和Merz，C.J.（1998年）。加州大学欧文分校机器学习数据库UCI知识库，http://archive.ics.uci.edu/ml/。；
[4] 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12（1-3）：53-79·Zbl 1040.90574号
[5] Burges，C.J.C.（1998年）。模式识别、数据挖掘和知识发现支持向量机教程2（2）：121-167。；
[6] Chen，J.、Wang，C.和Wang，R.（2009）。用于快速SVM多类分类的自适应二叉树，神经计算72（13-15）：3370-3375。；
[7] Cheong，S.、Hoon Oh，S.和Lee，S.-Y.（2004）。具有二叉树结构的支持向量机用于多类分类，神经信息处理Letters 2（3）：47-51。；
[8] Chmielnicki，W.和Sta˛por，K.（2016）。使用带有样本平衡的一对一策略来改进成对耦合分类，《国际应用数学与计算机科学杂志》26（1）：191-201，DOI:10.1515/amcs-2016-013·兹比尔1341.62175
[9] Crammer，K.和Singer，Y.（2002年）。关于多类问题的可学习性和输出代码的设计，机器学习47（2-3）：201-233·Zbl 1012.68155号
[10] Dong，C.、Zhou，B.和Hu，J.（2015）。使用相似聚类的基于SVM的分层多类分类，国际神经网络联合会议，爱尔兰基拉尼，第1-6页。；
[11] Fei，B.和Liu，J.（2006）。SVM的二叉树：一种新的快速多类训练和分类算法，IEEE神经网络汇刊17（3）：696-704。；
[12] Friedman，J.（1996）。多光子分类的另一种方法，技术报告，斯坦福大学，加利福尼亚州斯坦福。；
[13] García，S.、Fernández，a.、Luengo，J.和Herrera，F.（2010年）。计算智能和数据挖掘实验设计中多重比较的高级非参数测试：权力的实验分析，《信息科学》180（10）：2044-2064。；
[14] Hastie，T.和Tibshirani，R.（1998年）。按两两耦合分类，《统计学年鉴》26（2）：451-471·Zbl 0932.62071号
[15] Hsu，C.和Lin，C.（2002）。多类支持向量机方法的比较，IEEE神经网络汇刊13（2）：415-425。；
[16] Joachims，T.（1999）。使大规模SVM学习实用，B.Schölkopf等人（编辑），《核方法的进展——支持向量学习》，麻省理工学院出版社，马萨诸塞州剑桥。；
[17] Kijsirikul，B.，Ussivakulz，N.和Road，P.（2002年）。使用自适应有向无环图的多类支持向量机，神经网络国际联合会议，美国夏威夷州火奴鲁鲁，第980-985页。；
[18] Knerr，S.、Personnaz，L.和Dreyfus，G.（1990年）。重温单层学习：构建和训练神经网络的逐步过程，神经计算68（68）：41-50。；
[19] Kumar，M.A.和Gopal，M.（2010年）。使用基于决策树的一对一方法的快速多类SVM分类，神经处理字母32（3）：311-323。；
[20] Kumar，M.A.和Gopal，M.（2011年）。多类支持向量机分类的简化一对多方法，应用专家系统38（11）：14238-14248。；
[21] Lei，H.和Govindaraju，V.（2005）。半反半类多类支持向量机，收录于N.C.Oza等人（编辑），多分类器系统，MCS 2005，计算机科学讲义，第3541卷，Springer，柏林/海德堡，第156-164页。；
[22] Liu，B.，Cao，L.，Yu，P.S.和Zhang，C.（2008）。用于多类分类的多空间映射SVM，第八届IEEE数据挖掘国际会议论文集，美国华盛顿特区，第8卷，第911-916页。；
[23] Madzarov，G.、Gjorgjevikj，D.和Chorbev，I.（2009年）。利用二叉决策树支持向量机进行模式识别的多类SVM分类器，电气工程33（1）：233-241·Zbl 1192.68590号
[24] Platt，J.、Cristianini，N.和Shawe-Taylor，J.（2000）。用于多类分类的大幅度DAG，S.A.Solla等人（编辑），《神经信息处理系统进展》，麻省理工学院出版社，马萨诸塞州剑桥，第547-553页。；
[25] Songsiri，P.、Kijsirikul，B.和Phetkaew，T.（2008）。基于信息的双旋翼机：一种用于多类支持向量机的方法，IEEE国际神经网络联合会议，中国香港，第3284-3291页。；
[26] Songsiri，P.、Phetkaew，T.和Kijsirikul，B.（2015）。使用泛化性能增强二进制学习器的多类支持向量机构建，神经计算151（P1）：434-448。；
[27] Takahashi，F.和Abe，S.（2002年）。基于决策树的多类支持向量机，第九届神经信息处理国际会议论文集，ICONIP’02，新加坡，新加坡，第3卷，第1418-1488页。；
[28] Vapnik，V.N.（1998）。统计学习理论，John Wiley&Sons，纽约州纽约市·Zbl 0935.62007号
[29] Vapnik，V.N.（1999）。统计学习理论概述，IEEE神经网络汇刊10（5）：988-99。Vapnik V.N.，C.A.（1974年）。Teoriya Raspoznavaniya Obrazov：统计学问题Obucheniya（模式识别理论：学习的统计问题），瑙卡，莫斯科·Zbl 0284.68070号
[30] Yang，X.，Yu，Q.，He，L.和Guo，T.（2013）。用于多类分类的基于一对所有分区的二叉树支持向量机算法，神经计算113（3）：1-7。；
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。