Training multi-class support vector machines
- Support Vector Maschinen (SVM) sind bewährte Lernalgorithmen zur Mustererkennung, die ursprünglich für binäre Klassifikationsprobleme formuliert wurden. Für Mehrklassenprobleme sind verschiedene Erweiterungen gebräuchlich, unter denen sich allerdings keine als kanonisch identifizieren lässt. Die vorliegende Arbeit widmet sich der theoretischen, implementationsbezogenen und experimentellen Untersuchung von Mehrklassen-SVM. Fünf existierende Formulierungen werden betrachtet, darunter vier sogenannte "all-in-one" Maschinen, die jeweils ein einziges quadratisches Optimierungsproblem lösen. Als Hauptbeitrag analysiert die vorliegende Arbeit konzeptionelle Eigenschaften der all-in-one SVM und entwickelt hierauf aufbauend eine vereinheitlichte mathematische Formulierung. Weiterhin wird ein neuer Dekompositionsalgorithmus für Varianten von all-in-one SVM vorgestellt, der schnelles Lernen ermöglicht.
Author: | Ürün DoğanGND |
---|---|
URN: | urn:nbn:de:hbz:294-36072 |
Referee: | Christian IgelORCiDGND, Gregor SchönerORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2013/01/08 |
Date of first Publication: | 2013/01/08 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik |
Date of final exam: | 2011/06/21 |
Creating Corporation: | Fakultät für Elektrotechnik und Informationstechnik |
GND-Keyword: | Maschinelles Lernen; Lerntheorie; Optimierung; Komplexität; Support-Vektor-Maschine |
Institutes/Facilities: | Institut für Neuroinformatik |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik |
faculties: | Fakultät für Elektrotechnik und Informationstechnik |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |