Verlag des Forschungszentrums Jülich

JUEL-4096
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-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 .

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.

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.

Neuerscheinungen

• Neuerscheinungen des Verlagskatalogs

Schriften des Forschungszentrums Jülich

• Allgemeines
• Bibliothek
• Bioorganische Chemie
• Energie & Umwelt
• Gesundheit
• IAS Series
• Information
• Modeling and Simulation
• NIC Series
• PTJ Schriftenreihe
• Schlüsseltechnologien

Ihre Ansprechperson

Heike Lexis
+49 2461 61-5367
zb-publikation@fz-juelich.de