Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Processing Letters
Erschienen in: Neural Processing Letters 3/2014

01.06.2014

Efficient Feature Scaling for Support Vector Machines with a Quadratic Kernel

verfasst von: Zhizheng Liang, Ning Liu

Erschienen in: Neural Processing Letters | Ausgabe 3/2014

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Choosing multiple hyperparameters for support vector machines has gained wide attention from researchers and this also provides a strategy for automatically selecting scaling factors of features. This paper proposes an efficient feature scaling method for support vector machines with a quadratic kernel. The proposed method alternately performs the standard SVM algorithm and the eigen-decomposition until some criteria are met. It is interesting to note that scaling factors of features can be analytically obtained for fixed support vectors. The experiments on a toy example, UCI data sets, and face images are carried out to demonstrate the feasibility and effectiveness of the proposed method.
Vorheriger Artikel Robust Adaptive Synchronization Control for a Class of Perturbed and Delayed Neural Networks
Nächster Artikel Existence and Global Exponential Stability of Almost Periodic Solution for High-Order BAM Neural Networks with Delays on Time Scales

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Schölkopf B, Smola A, Müller KR (1998) Nonlinear component analysis as a kernel eigenvalue problem. Neural Comput 10(5):1299–1319CrossRef
2.
Vapnik V (1998) Statistical leaning theory. Wiley, New York
3.
Schölkopf B, Burges C, Vapnik V (1995) Extracting support data for a given task. Proceedings of first international conference on knowledge discovery and data mining. AAAI Press, Menlo Park, pp 884–889
4.
Liao S, Yang C, Ding L (2011) Approximate parameter tuning of support vector machines. The 3rd international conference on intelligent systems and applications 38(10):1–4
5.
Guyon I, Saffari A, Dror G, Cawley G (2010) Model section: beyond the Bayesian/frequentist divide. J Mach Learn Res 11:61–87
6.
Chapelle O, Vapnik V, Bousquet O, Mukherjee S (2002) Choosing multiple parameters for support vector machines. Mach Learn 46:131–159CrossRefMATH
7.
Keerthi SS (2002) Efficient tuning of SVM hyperparameters using radius/margin bound and iterative algorithms. IEEE Trans Neural Netw 13:1225–1229CrossRef
8.
9.
Ong CS, Smola AJ, Williamson RC (2006) Learning the kernel with hyperkernels. J Mach Learn Res 6:1043–1071MathSciNet
10.
Lanckriet GRG, Cristianini N, Bartlett P, Ghaoui LE, Jordan MI (2004) Learning the kernel matrix semidefinite programming. J Mach Learn Res 5:27–72MATH
11.
Argyriou A, Micchelli C A, Pontil M (2005) Learning convex combinations of continuously parameterized basic kernels. The 18th annual conference on learning theory(COLT), Betinoro, Italy, June 27–30
12.
Bennett KP, Hu J, Ji X, Pang JS (2006) Model selection via bilevel optimization. International joint conference on, neural networks, pp 1922–1929
13.
Kunapuli G, Bennett KP, Hu J, Pang JS (2008) Classification model selection via bilevel programming. Optim Methods Softw 23(4):475–489CrossRefMATHMathSciNet
14.
Bennett KP, Hu J, Ji X, Pang JS (2008) Bilevel optimization and machine learning. Lecture notes in computer science, computational intelligence: research frontiers 5050:25–47CrossRef
15.
Kunapuli G, Bennett KP, Pang JS (2008) Bilevel model selection for support vector machines. Data mining and mathematical programming 45:129–158
16.
Moore G, Bergeron C, Bennett K P (2009) Nonconvex bilevel programming for hyperparameter selection. IEEE international conference on data mining workshops, pp 374–381.
17.
18.
Weston J, Mukherjee S, Chapelle O, Pontil M, Poggio T, Vapnik V (2001) Feature selection for SVMs. Adv Neural Inf Process Syst 13:668–674
19.
Bradley PS, Mangasarian OL (1998) Feature selection via concave minimization and support vector machine. International conference on machine learning, pp 82–90
20.
Grandvalet Y, Canu S (2002) Adaptive scaling for feature selection in SVMs. Adv Neural Inf Process Syst 15:553–560
21.
Wolf L, Shashua A (2005) Feature selection for unsupervised and supervised inference: the emergence of sparsity in a weighted-based approach. J Mach Learn Res 6(12):1855–1887MATHMathSciNet
22.
Zhang X (2004) Matrix theory and its applications. Springer, New York
23.
Duan K, Keerthi SS, Poo AN (2003) Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing 51:41–59CrossRef
24.
Metadaten
Titel
Efficient Feature Scaling for Support Vector Machines with a Quadratic Kernel
verfasst von
Zhizheng Liang
Ning Liu
Publikationsdatum
01.06.2014
Verlag
Springer US
Erschienen in
Neural Processing Letters / Ausgabe 3/2014
Print ISSN: 1370-4621
Elektronische ISSN: 1573-773X
DOI
https://doi.org/10.1007/s11063-013-9301-1

Weitere Artikel der Ausgabe 3/2014

Neural Processing Letters 3/2014 Zur Ausgabe

OriginalPaper

Existence and Global Exponential Stability of Almost Periodic Solution for High-Order BAM Neural Networks with Delays on Time Scales

OriginalPaper

From Different Zhang Functions to Various ZNN Models Accelerated to Finite-Time Convergence for Time-Varying Linear Matrix Equation

OriginalPaper

The Kernel Recursive Least Squares CMAC with Vector Eligibility

OriginalPaper

Boundedness and Convergence of Split-Complex Back-Propagation Algorithm with Momentum and Penalty

OriginalPaper

Robust Adaptive Synchronization Control for a Class of Perturbed and Delayed Neural Networks

OriginalPaper

A Neuron Model Including Gene Expression: Bistability, Long-Term Memory, etc.

Neuer Inhalt

    Bildnachweise