Verlag des Forschungszentrums Jülich
JUEL-4096
Support-Vektor-Maschinen zeichnen sich dadurch aus, dass sie globale Lösungen finden,
was auf dem Gebiet des maschinellen Lernens nicht selbstverständlich ist . Außerdem
ist ihre Generalisierungsfähigkeit sehr gut, weil sie eine besonders günstige Form der
Risikominimierung umsetzen. Ihre Anwendungsmöglichkeiten in der Praxis sind sehr
vielfältig . Dazu zählen beispielsweise Bild- und Schrifterkennung, Umsatzprognosen für
Unternehmen und automatische Textklassifikationen.
Diese Arbeit setzt sich mit dem Aufbau von Support-Vektor-Maschinen für binäre
Klassifikationsaufgaben sowie mit den dafür notwendigen mathematischen Theorien
auseinander . Ausgehend von diesen Betrachtungen werden zwei geeignete Algorithmen zur
Umsetzung von Support-Vektor-Maschinen vorgestellt . Die Implementationen dieser Algorithmen
werden zur Untersuchung verschiedener aktueller Datensätze aus der Forschung
verwendet . Diese generieren auch für besonders große Datensätze schnelle und zuverlässige
Klassifikationsergebnisse .
A special feature of Support Vector Machines is the computation of global solutions,
which is not self-evident for systems of machine learning. Due to the fact that
they implement a very advantegeous form of risk minimization, they have a well-trained
generalization ability. They have plenty of applications in practice, for instance image and
handwritten character recognition, sales volume predictions for business companies and
automatic text classification .
This report describes the structure of Support Vector Machines for binary classification
and deals with the resulting essential mathematical theories . Starting from this
considerations this report presents two practical algorithms for the realization of Support
Vector Machines. The implementations of this algorithms are used to analyze datasets
from various fields of research . Even for large datasets they generate classification results
fast and reliably.
Eitrich, Tatjana
Support-Vektor-Maschinen und ihre Anwendung auf Datensätze aus der Forschung
II, 110 S., 2003
Support-Vektor-Maschinen sind ein modernes Verfahren, welches in das Gebiet der
künstlichen Intelligenz eingeordnet wird. Dabei realisiert dieses Verfahren einen Vorgang
des maschinellen Lernens, dem zur Zeit bedeutendsten Teilgebiet der künstlichen Intelligenz.
Es kann sowohl für binäre und multiple Klassifikationsaufgaben als auch für
Regressionsprobleme eingesetzt werden. Die Kombination von linearen Lernalgorithmen
mit hochdimensionalen kerninduzierten Abbildungen führt auf nichtlineare Entscheidungsverfahren.
Geeignete Algorithmen ergeben sich aus der statistischen Lerntheorie und der
konvexen Optimierungstheorie.
Support Vector Machines are a modern method assigned to the field of artificial intelligence.
This method implements a process of machine learning, that is currently the
most important subfield of artificial intelligence. It can be used for binary and multi-class
classification problems as well as for regression tasks . The Kmbnation of linear learning
algorithms and high dimensional kernel-induced mappings leads to non-linear methods.
Suitable algorithms result from the statistical learning theory and the convex optimization
theory.
Neuerscheinungen
Schriften des Forschungszentrums Jülich
Ihre Ansprechperson
Heike Lexis
+49 2461 61-5367
zb-publikation@fz-juelich.de