Knowledge base: Warsaw University of Technology

Settings and your account

Back

Application of Virtual Leave-One-Out Cross-Validation to Optimization of the Least Square Support Vector Machine

Piotr Leszczyński

Abstract

The thesis presents the least square support vector classifier. The effect of sparseness of learning set on the correct classification score was analysed. Two methods were compared: sparse least squares based on the ranking of the absolute values of Lagrange multipliers and the new method based on the virtual leave-one-out error. Basic information about classical support vector machine and methods of virtual leave-one-out cross-validation are included. Results obtained on a synthetic test set show the elimination based on VLOO criterion enables to remove up to 70 % of the initial vectors of the training set without decreasing the successful classification score as compared to 50% of the initial vectors of the training set in case of the sparse łeast square support vector machine.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Piotr Leszczyński (FEIT/PE) Piotr Leszczyński,, The Institute of Electronic Systems (FEIT/PE)Faculty of Electronics and Information Technology (FEIT)
Title in Polish
Zastosowanie wirtualnej oceny krzyżowej do optymalizacji średniokwadratowej maszyny wektorów nośnych
Supervisor
Stanisław Jankowski (FEIT/PE) Stanisław Jankowski,, The Institute of Electronic Systems (FEIT/PE)Faculty of Electronics and Information Technology (FEIT)
Certifying unit
Faculty of Electronics and Information Technology (FEIT)
Affiliation unit
The Institute of Electronic Systems (FEIT/PE)
Language
(pl) Polish
Status
Finished
Issue date (year)
2009
Internal identifier
ENSE-R.002232
Keywords in Polish
-
Keywords in English
-
Abstract in Polish
W pracy przedstawiono klasyfikator w postaci średniokwadratowej maszyny wektorów nośnych. Badano wpływ rozrzedzania zbioru uczącego na poprawność klasyfikacji. Do rozrzedzenia zbiorów uczących wykorzystano metodę oszczędnej średniokwadratowej maszyny wektorów nośnych - stosując kryterium wartości mnożników Lagrange"a oraz metodę wirtualnej skrajnej oceny krzyżowej -VLOO. Przedstawione zostały podstawowe informacje dotyczące klasycznej średniokwadratowej maszyny wektorów nośnych oraz metody wirtualnej skrajnej oceny krzyżowej. Wyniki testów przeprowadzone na syntetycznym zbiorze testowym pokazują poprawne działanie klasyfikatora wytrenowanego na zbiorze rozrzedzonym dla metody VLOO do około 30% stanu początkowego, a dla oszczędnej średniokwadratowej maszyny wektorów nośnych do 50% stanu początkowego.

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUTbdfb5f6dc3534c1080fa9aab407dad3d/
URN
urn:pw-repo:WUTbdfb5f6dc3534c1080fa9aab407dad3d

Confirmation
Are you sure?
Report incorrect data on this page