文献

J-GLOBAL ID：201702287257805017   整理番号：17A0368729

構造化データのためのとメソッド単位新しいグループ化サポートベクトルマシン【Powered by NICT】

Novel Grouping Method-based support vector machine plus for structured data

著者 (4件)： Hou Qiuling (College of Science, China Agricultural University, Beijing 100083, China) ,  Zhen Ling (College of Science, China Agricultural University, Beijing 100083, China) ,  Deng Naiyang (College of Science, China Agricultural University, Beijing 100083, China) ,  Jing Ling (College of Science, China Agricultural University, Beijing 100083, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 211  ページ： 191-201  発行年： 2016年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 伝統的なサポートベクトルマシンPlus(SVM+)では,分類法は,大きなランダム性を持ち,のみデータセットの構造情報の一部を考慮している。これらの欠点を克服するために,本論文では,クラスタリング手法と特徴選択を組み合わせることによりSVM+の性能を改善するためのFCSVM+と呼ぶ新しいフレームワークを提案した。新しいフレームワーク戦略は訓練データの構造情報を十分に考慮して,訓練データを分割するより意味のあるグループに期待されている。フレームワークの利点を証明するために,特に,すなわちFスコアおよびLaplaceスコア法,二つの最も単純な特徴選択法を採用した特徴を選択し,次に選択された特徴,クラスタの数を自動的に見出すことができたによる訓練データのより良い分配を得るために最近提案されたクラスタリング法を適用した。本論文の三つの主要な貢献は,と結論することができた。(1)既存のSVM+分類器の性能を改善する(2)の代わりにより特徴属性を用いて訓練データの潜在的な構造情報を抽出する(3)SVM+における打切法を置換するクラスタリング手法であった。UCIベンチマークデータセット上での包括的な実験を行いその結果,提案アプローチの妥当性と利点を明らかにした。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： クラスタ ,  *サポートベクトルマシン ,  特徴選択 ,  打切
準シソーラス用語： スコア ,  訓練データ ,  クラスタリング法 ,  ランダム性 ,  分類法 , 【Automatic Indexing@JST】

著者キーワード (5件)： サポートベクトルマシン ,  サポートベクトルマシン ,  隠れ情報 ,  グループ情報 ,  クラスタリング手法

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 構造化データ ,  メソッド ,  グループ化 ,  サポートベクトルマシン