Детальная информация

Название: Advances in large margin classifiers
Другие авторы: Smola Alexander J.; Bartlett Peter; Schölkopf Bernhard; Schuurmans Dale
Организация: IEEE Xplore (Online Service); MIT Press
Выходные сведения: Cambridge, Massachusetts London, England: MIT Press, 2000
Коллекция: Электронные книги зарубежных издательств; MIT Press eBooks Library; Общая коллекция
Тематика: Алгоритмы; машинное обучение; функции ядра
УДК: 004.85
Язык: Английский
Права доступа: Доступ по паролю из сети Интернет (чтение, печать)

Разрешенные действия: Посмотреть

Аннотация

The concept of large margins is a unifying principle for the analysis of many different approaches to the classification of data from examples, including boosting, mathematical programming, neural networks, and support vector machines. The fact that it is the margin, or confidence level, of a classification--that is, a scale parameter--rather than a raw training error that matters has become a key tool for dealing with classifiers. This book shows how this idea applies to both the theoretical analysis and the design of algorithms.The book provides an overview of recent developments in large margin classifiers, examines connections with other methods (e.g., Bayesian inference), and identifies strengths and weaknesses of the method, as well as directions for future research. Among the contributors are Manfred Opper, Vladimir Vapnik, and Grace Wahba.

Статистика использования

stat Количество обращений: 1
За последние 30 дней: 0
Подробная статистика