Training multi-class support vector machines

  • Support Vector Maschinen (SVM) sind bewährte Lernalgorithmen zur Mustererkennung, die ursprünglich für binäre Klassifikationsprobleme formuliert wurden. Für Mehrklassenprobleme sind verschiedene Erweiterungen gebräuchlich, unter denen sich allerdings keine als kanonisch identifizieren lässt. Die vorliegende Arbeit widmet sich der theoretischen, implementationsbezogenen und experimentellen Untersuchung von Mehrklassen-SVM. Fünf existierende Formulierungen werden betrachtet, darunter vier sogenannte "all-in-one" Maschinen, die jeweils ein einziges quadratisches Optimierungsproblem lösen. Als Hauptbeitrag analysiert die vorliegende Arbeit konzeptionelle Eigenschaften der all-in-one SVM und entwickelt hierauf aufbauend eine vereinheitlichte mathematische Formulierung. Weiterhin wird ein neuer Dekompositionsalgorithmus für Varianten von all-in-one SVM vorgestellt, der schnelles Lernen ermöglicht.

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Ürün DoğanGND
URN:urn:nbn:de:hbz:294-36072
Referee:Christian IgelORCiDGND, Gregor SchönerORCiDGND
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2013/01/08
Date of first Publication:2013/01/08
Publishing Institution:Ruhr-Universität Bochum, Universitätsbibliothek
Granting Institution:Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik
Date of final exam:2011/06/21
Creating Corporation:Fakultät für Elektrotechnik und Informationstechnik
GND-Keyword:Maschinelles Lernen; Lerntheorie; Optimierung; Komplexität; Support-Vektor-Maschine
Institutes/Facilities:Institut für Neuroinformatik
Dewey Decimal Classification:Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik
faculties:Fakultät für Elektrotechnik und Informationstechnik
Licence (German):License LogoKeine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht

OPUS4 Logo