Complexity control of SVM network applied to text categorisation

Jurczak, M.

Artykuł - szczegóły

Tytuł artykułu

Complexity control of SVM network applied to text categorisation

Autorzy

Jurczak M.

Wybrane pełne teksty z tego czasopisma

http://pe.org.pl/

Identyfikatory

Warianty tytułu

Sterowanie złożonością sieci SVM zastosowanej do kategoryzacji tekstu

Języki publikacji

Abstrakty

In this paper we discuss practical manner of the Vapnik-Chervonenkis dimension estimation for Support Vector Machines (SVMs). It will be demonstrated again that VC dimension has an influence on generalization ability. Results are ilustrated through examples in which SVM networks are used for automatic text categorization.

W artykule omówiono praktyczny sposób oszacowania wartości wymiaru Vapnika-Chervonenkisa (Vcdim) dla sieci neuronowej typu Support Vector Machines (SVMs). Przedstawiono wpływ wymiaru Vcdim na zdolności generalizacyjne sieci. Wyniki ilustrowane są przykładami zastosowania sieci SVMs do automatycznej kategoryzacji tekstu.

Słowa kluczowe

support vector machine text categorization neural network VC dimension

Support Vector Machines kategoryzacja tekstu sieć neuronowa miara Vcdim statystyczna teoria uczenia

Wydawca

Wydawnictwo SIGMA-NOT

Czasopismo

Przegląd Elektrotechniczny

Rocznik

2004

Tom

R. 80, nr 4

Strony

343--346

Opis fizyczny

Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Jurczak M.

Warsaw University of Technology

Bibliografia

[1] Vapnik V. , Cher vonenk is A. , Uniform convergence of the frequencies of occurance of events to their probabilities, Soviet Math. Doklady, 9 (1968), 915-918
[2] Vapnik V. , Chervonenk is A., On the uniform of the frequencies to their probabilities, Theory of Prob. And its Appl., 16 (1971), 264-280
[3] Karpins k i M. , Mac int yre A., Polynomial bounds for VCdimension of sigmoidal neural networks, Porc 27th ACM Symp. Theory of Computing, (1995), 200-208
[4] Maas W., Neural nets with superlinear VC-dimension, Neural Computation, (1994), 875-882
[5] Sontag E. , Koi ran P., Vapnik-Chervonenkis dimension of recurrent neural networks, Discrete Applied Mathematics, 86 (1998)
[6] Vidyasagar M., A theory of learning and generalization, Springer-Verlag, (1997)
[7] Vapnik V., The nature of statistical learning theory, Springer- Verlag, (1995)
[8] Vapnik V., Statistical learning theory, Wiley, (1998)
[9] Cor tes C. , Vapnik V., Support-vector networks, Machine Learning Journal, 20 (1995), 273-297
[10] Gunn S. , Support Vector Machines for classification and regression, University of Southampton, Tech. Report, (1998)
[11] Osows k i S., Sieci neuronowe typu SVM w zastosowaniu do klasyfikacji wzorcow, Przeglad Elektrotechniczny, 2 (2002)
[12] Osows k i S., Sieci neuronowe typu SVM w zastosowaniu do problemow regresji, Przeglad Elektrotechniczny, 10 (2002)
[13] Burges C., A tutorial on Support Vector Machines for pattern recognition, Knowledge Discovery and Data Mining, 2 (1998)
[14] Markowet z F., Support Vector Machines in Bioinformatics, Ph.D. dissertation, Universitat Heidelberg, Germany, (2002)
[15] Joachims T., Text categorization with Support Vector Machines: Learning with many relevant features, Proc. of the European Conference on Machine Learning (ECML), Springer, (1998), 137-142
[16] Joachims T., Learning to classify text using Support Vector Machines, Kluwer Academic Press, (2002)
[17] Si lva C. , Ribei ro B., An inductive inference approach to large-scale text categorization, Proc. of the ICANNGA Conf., (2003)
[18] Joachims T. , Making large-scale SVM learning practical, MIT-Press, (1999)
[19] Por ter M., An algorithm for suffix stripping, Program (Automated Library and Information Systems), 14 (1980), 130- 137
[20] Hayk in S., Neural Networks, IEEE Press, (1994)
[21] Vapnik V. , Lev in V., Measuring the VC dimension of a learning machine, Neural Computation, 6 (1994), 851-876

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BAR0-0005-0093