Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
On Parameter Selection and Validation of Support Vector Clustering
Języki publikacji
Abstrakty
W niniejszej pracy przedstawiono propozycję wykorzystania jednej z metod walidacji wyników klasyfikacji – analizy replikacji – jako kryterium wyboru wartości kluczowych parametrów taksonomicznej metody wektorów nośnych. (fragment tekstu)
Support Vector Clustering (SVC) is a new method for unsupervised classification. The advantage of this method is that no prior assumptions about the number or the shape of clusters are required. The choice of two parameters: the soft margin constant and the Gaussian kernel parameter, is crucial to the clustering solutions. In the paper the validation of SVC based on resampling techniques is pro¬posed as a method for a parameter selection. The method was illustrated on benchmark data set from R package cluster Sim. (original abstract)
Rocznik
Tom
Strony
354-363
Opis fizyczny
Twórcy
autor
- Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach
Bibliografia
- Ben-Hur A., Horn D., Siegelman H. T., Vapnik V. (2001), Support Vector Clustering, „Journal of Machine Learning Research", 2, s. 125-137.
- Mucha H.-J. (2007), On Validation of Hierarchical Clustering, [w:] Advances in Data Analysis, red. R. Decker, H.-J. Lenz, Springer Verlag, Berlin, s. 115-122.
- Scholkopf B., Smoła A.J. (2002), Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press, Cambridge.
- Trzęsiok M. (2004), Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] Postępy ekonometrii, red. A.S. Barczak, AE, Katowice.
- Vapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, New York.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000168872469