Support vector machines for pattern classification

ماشین‌های بردار پشتیبان (SVM) که در اصل برای مسائل طبقه‌بندی دو کلاسه فرموله شده‌اند، اکنون به عنوان ابزار قدرتمندی برای توسعه طبقه‌بندی الگو و سیستم‌های تقریب تابع پذیرفته شده‌اند. پیشرفت‌های اخیر در روش‌های مبتنی بر هسته شامل طبقه‌بندی‌کننده‌ها و رگرسیون‌های هسته و انواع آن‌ها، پیشرفت‌ها در نظریه تعمیم، و روش‌های مختلف انتخاب و استخراج ویژگی‌ها است.

ارائه چشم‌اندازی منحصربه‌فرد در مورد وضعیت از هنر در SVM ها، با تمرکز ویژه بر طبقه بندی، این نسخه جدید کاملاً به روز شده شامل مقایسه عملکرد دقیق تری از طبقه بندی کننده ها و رگرسیون ها است. این کتاب علاوه بر ارائه معماری‌های مفید مختلف برای طبقه‌بندی چند کلاسه و مسائل تقریب تابع، اکنون معیارهای ارزیابی طبقه‌بندی‌کننده‌ها و رگرسیون‌ها را نیز بررسی می‌کند.

موضوعات و ویژگی‌ها: STRONG>

• ویژگی های SVM های دو کلاسه را از طریق تجزیه و تحلیل گسترده روشن می کند
• روش‌های هسته برای بهبود توانایی تعمیم شبکه‌های عصبی مرسوم و سیستم‌های فازی را مورد بحث قرار می‌دهد
• شامل تصاویر، مثال‌ها و آزمایش‌های رایانه‌ای فراوانی برای کمک به خوانندگان برای درک مفاهیم و سودمندی آنها می‌باشد. /LI>
• شامل ارزیابی عملکرد با استفاده از مجموعه داده‌های دو کلاسه در دسترس عموم، مجموعه‌های ریزآرایه، مجموعه داده‌های چند کلاسه و مجموعه داده‌های رگرسیون (جدید)<. /LI>
• هسته‌های Mahalanobis، فضای ویژگی تجربی و تأثیر انتخاب مدل را با اعتبارسنجی متقابل بررسی می‌کند (جدید)
• SVM های پراکنده را پوشش می دهد، رویکردی به یادگیری با استفاده از اطلاعات ممتاز، یادگیری نیمه نظارت شده، سیستم های طبقه بندی کننده چندگانه، و یادگیری هسته های متعدد (NEW)
• کاوش افزایشی آموزش دسته‌ای مبتنی بر آموزش و روش‌های آموزش مجموعه فعال، همراه با تکنیک‌های تجزیه برای SVM‌های برنامه‌ریزی خطی (NEW)
• بحثی در مورد انتخاب متغیر برای پشتیبان رگرسیورهای برداری (جدید)

راهنمای ضروری در مورد استفاده از SVM ها در طبقه بندی الگوها، این منبع جامع مورد توجه محققان و دانشجویان تحصیلات تکمیلی و همچنین توسعه دهندگان حرفه ای خواهد بود.

Dr. Shigeo Abe استاد دانشگاه کوبه، دانشکده مهندسی تحصیلات تکمیلی. او نویسنده عناوین Springer شبکه های عصبی و سیستم های فازی و طبقه بندی الگو: روش های عصبی فازی و مقایسه آنها است.

Originally formulated for two-class classification problems, support vector machines (SVMs) are now accepted as powerful tools for developing pattern classification and function approximation systems. Recent developments in kernel-based methods include kernel classifiers and regressors and their variants, advancements in generalization theory, and various feature selection and extraction methods.

Providing a unique perspective on the state of the art in SVMs, with a particular focus on classification, this thoroughly updated new edition includes a more rigorous performance comparison of classifiers and regressors. In addition to presenting various useful architectures for multiclass classification and function approximation problems, the book now also investigates evaluation criteria for classifiers and regressors.

Topics and Features:

• Clarifies the characteristics of two-class SVMs through extensive analysis
• Discusses kernel methods for improving the generalization ability of conventional neural networks and fuzzy systems
• Contains ample illustrations, examples and computer experiments to help readers understand the concepts and their usefulness
• Includes performance evaluation using publicly available two-class data sets, microarray sets, multiclass data sets, and regression data sets (NEW)
• Examines Mahalanobis kernels, empirical feature space, and the effect of model selection by cross-validation (NEW)
• Covers sparse SVMs, an approach to learning using privileged information, semi-supervised learning, multiple classifier systems, and multiple kernel learning (NEW)
• Explores incremental training based batch training and active-set training methods, together with decomposition techniques for linear programming SVMs (NEW)
• Provides a discussion on variable selection for support vector regressors (NEW)

An essential guide on the use of SVMs in pattern classification, this comprehensive resource will be of interest to researchers and postgraduate students, as well as professional developers.

Dr. Shigeo Abe is a Professor at Kobe University, Graduate School of Engineering. He is the author of the Springer titles Neural Networks and Fuzzy Systems and Pattern Classification: Neuro-fuzzy Methods and Their Comparison.