Fuzzy support vector machines based on density estimation with Gaussian mixture for multiclass problems

• Autorzy: Martyna J.

Warianty tytułu

PL

Rozmyta metoda SVM oparta na estymacji gęstości z mieszanką gaussowską dla rozwiązywania problemów wieloklasowych

• Języki publikacji: EN

Abstrakty

EN

In this paper, we introduce new Fuzzy Support Vector Machines (FSVMs) for a multiclass classification. The suggested Fuzzy Support Vector Machines include the data distribution with the density estimated in a set of functions defined as Gaussian mixture. The proposed method gives more appropriate boundaries than the classical FSVM method. We demonstrate some examples which confirm our approach.

PL

W pracy przedstawiono matematyczny model, jakim jest Fuzzy Support Vector Machine (FSVM), czyli rozmyta maszyna wektorów podpierających. Wprowadzono w nim estymację gęstości opartą na zbiorze funkcji definiowanych jako mieszanka funkcji gaussowskich. Zaproponowana metoda dostarcza lepszych ograniczeń niż dotychczas stosowany model FSVM. Demonstrujemy kilka przykładów, które potwierdzają opisywane podejście.

Słowa kluczowe

EN

Fuzzy Support Vector Machine; density; multiclass problems; membership functions

PL

rozmyta maszyna wektorów podpierających; gęstość; problemy wieloklasowe; funkcje przynależności

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2009
• Tom: Vol. 30, nr 2A
• Strony: 309--316
• Opis fizyczny: Bibliogr. 10 poz.

Twórcy

autor

Martyna J.

• Instytut Informatyki Uniwerystet Jagielloński, 30-348 Kraków, ul. Łojasiewicza 6 tel. [phone],

Bibliografia

• 1. Abe S., Inoue T.: Fuzzy Support Vector Machines for Multiclass Problems. Neural Networks, Vol. 16, 2003, p. 785-792.
• 2. Cacoullos T.: Estimation of Multivariate Density. Ann. Inst. Statist. Math., Vol. 18, 1965, p. 179-189.
• 3. Daisuke T., Shingo A.: Fuzzy Least Squares Vector Machines for Multiclass Problems. Neural Networks, Vol. 16, 2003, p. 785-792.
• 4. Drucker H. D., Wu D., Vapnik V. N.: Support Vector for Spam Categorization. Trans, on Neural Networks, Vol. 10, No. 5, 1999, p. 1048-1054.
• 5. Inoue T., Abe S.: Fuzzy Support Vector Machines for Pattern Classification. In: Proc. of the Int. Joint Conf. on Neural Networks, 2000, p. 1449+1454.
• 6. Joachims T.: Text Categorization with Support Vector Machines: Learning with Many Relevant Features. In: Proc. of the European Conference on Machine Learning. Springer-Verlag, 1998, p. 137-142.
• 7. Muller K. R., Smola A. J., Ratsch G, Scholkopf B., Kohlmorgen J, Vapnik N. V.: j Predicting Time Series with Support Vector Machines. In: Proc. Int. Conf. on Artificial Neural Networks. ICANN-97, 1997, p. 999-1004.
• 8. Nello C, John S.: An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, 2000.
• 9. Vapnik V. N., Golowich S. E., Smola A.: Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. In: M. Mozer, M. I. Jordan, T. Petsche (eds.): Advances in Neural Information Processing System 9. Morgan Kaufmann, 1997, p. 28K287.
• 10. Vapnik V. N.: Statistical Learning Theory. John Wiley and Sons, 1998