Various hyperplane classifiers using kernel feature spaces

Kovács Kornél; Kocsor András: Various hyperplane classifiers using kernel feature spaces. In: Acta cybernetica, (16) 2. pp. 271-278. (2003)

Előnézet

Cikk, tanulmány, mű cybernetica_016_numb_002_271-278.pdf Letöltés (586kB) | Előnézet

Absztrakt (kivonat)

In this paper we introduce a new family of hyperplane classifiers. But, in contrast to Support Vector Machines (SVM) - where a constrained quadratic optimization is used - some of the proposed methods lead to the unconstrained minimization of convex functions while others merely require solving a linear system of equations. So that the efficiency of these methods could be checked, classification tests were conducted on standard databases. In our evaluation, classification results of SVM were of course used as a general point of reference, which we found were outperformed in many cases.

Mű típusa:	Cikk, tanulmány, mű
Befoglaló folyóirat/kiadvány címe:	Acta cybernetica
Dátum:	2003
Kötet:	16
Szám:	2
ISSN:	0324-721X
Oldalak:	pp. 271-278
Nyelv:	angol
Kiadás helye:	Szeged
Konferencia neve:	Conference for PhD Students in Computer Science (3.) (2002) (Szeged)
Befoglaló mű URL:	http://acta.bibl.u-szeged.hu/38516/
Kulcsszavak:	Számítástechnika, Kibernetika
Megjegyzések:	Bibliogr.: 278. p. ; összefoglalás angol nyelven
Szakterület:	01. Természettudományok 01. Természettudományok > 01.02. Számítás- és információtudomány
Feltöltés dátuma:	2016. okt. 15. 12:25
Utolsó módosítás:	2022. jún. 14. 15:51
URI:	http://acta.bibl.u-szeged.hu/id/eprint/12722

Bővebben:

Tétel nézet