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
Erschienen in:
Non-parametric e-mixture of Density Functions Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Semi-supervised Support Vector Machines - A Genetic Algorithm Approach

verfasst von : Gergana Lazarova

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Semi-supervised learning combines both labeled and unlabeled examples in order to find better future predictions. Semi-supervised support vector machines (SSSVM) present a non-convex optimization problem. In this paper a genetic algorithm is used to optimize the non-convex error - GSSSVM. It is experimented with multiple datasets and the performance of the genetic algorithm is compared to its supervised equivalent and shows very good results. A tailor-made modification of the genetic algorithm is also proposed which uses less unlabeled examples – the closest neighbors of the labeled instances.

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
Vorheriges Kapitel Online Learning Neural Network for Adaptively Weighted Hybrid Modeling
Nächstes Kapitel Hinge Loss Projection for Classification
Literatur
1.
Chapelle, O., Schölkopf, B., Zien, A.: Semi-supervised Learning. MIT Press, Cambridge (2006)CrossRef
2.
Blum, A., Mitchell, T.: Combining labeled and unlabeled data with co-training. In: Proceedings of the eleventh Annual Conference on Computational Learning Theory, pp. 92–100 (1998)
3.
Tang, F., Brennan, S., Zhao, Q., Tao, H.: Co-tracking using semi-supervised support vector machines. In: IEEE 11th International Conference on Computer Vision ICCV 2007, vol. 14, pp. 1–8 (2007)
4.
Chapelle, O., Vapnik, V., Bousquet, O., Mukherjee, S.: Choosing multiple parameters for support vector machines. Mach. Learn. 46, 131–159 (2002)CrossRefMATH
5.
Brefeld, U., Scheffer, T.: Co-EM support vector learning. In: Proceedings of the Twenty-First International Conference on Machine learning, p. 16 (2004)
6.
Bennett, K., Demiriz, A.: Semi-supervised support vector machines. Adv. Neural Inf. Process. Syst. 368–374 (1999)
7.
Fung, G., Mangasarian, O.: Semi-supervised support vector machines for unlabeled data classification. Optim. Methods Softw. 15, 29–44 (2001)CrossRefMATH
8.
Chapelle, O., Sindhwani, V., Keerthi, S.S.: Optimization techniques for semi-supervised support vector machines. J. Mach. Learn. Res. 9, 203–233 (2008)MATH
9.
Zhu, X., Goldberg, A.: Introduction to Semi-supervised Learning: Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan and Claypool Publishers, San Rafael (2009)
10.
Mitchell, M.: An Introduction to Genetic Algorithms. MIT Press, Cambridge (1998)MATH
11.
Golberg, D.: Genetic algorithms in search, optimization, and machine learning. Addison wesley, Boston (1989)
12.
Whiteley, D.: Applying genetic algorithms to neural network problems. Neural Netw. 1, 230 (1988)CrossRef
13.
Bache, K., Lichman, M.: UCI Machine Learning Repository (2013)
14.
Farquhar, J., Hardoon, D., Meng, H., Shawe-taylor, J., Szedmak, S.: Two view learning: SVM-2K, theory and practice. In: Advances in neural information processing systems, pp. 355–362 (2005)
15.
Lazarova, G.: Semi-supervised image segmentation. In: Agre, G., Hitzler, P., Krisnadhi, A.A., Kuznetsov, S.O. (eds.) Artificial Intelligence: Methodology, Systems, and Applications. Lecture Notes in Computer Science, vol. 8722, pp. 59–68. Springer, Heidelberg (2014)
16.
Lazarova, G.: Semi-supervised Multi-view Sentiment Analysis. In: Núñez, M., Nguyen, N.T., Camacho, D., Trawiński, B. (eds.) Computational Collective Intelligence 2015. Lecture Notes in Computer Science, vol. 9329, pp. 181–190. Springer, Heidelberg (2014)CrossRef
17.
Joachims, T.: Transductive inference for text classification using support vector machines. In: ICML, pp. 200–209 (1999)
18.
Chapelle, O., Zien, A.: Semi-supervised classification by low density separation. In: AISTATS, pp. 57–64 (2005)
19.
Chapelle, O., Chi, M., Zien A.: A continuation method for semi-supervised SVMs. In: Proceedings of the 23rd International Conference on Machine Learning, pp. 185–192 (2006)
20.
Sindhwani, V., Keerthi, S.S., Chapelle, O.: Deterministic annealing for semi-supervised kernel machines. In Proceedings of the 23rd International Conference on Machine Learning, pp. 841–848 (2006)
21.
Chapelle, O., Sindhwani, V., Keerthi, S.: Branch and bound for semi-supervised support vector machines. In: Advances in Neural Information Processing Systems, pp. 217–224 (2006)
Metadaten
Titel
Semi-supervised Support Vector Machines - A Genetic Algorithm Approach
verfasst von
Gergana Lazarova
Copyright-Jahr
2016
Buch
Neural Information Processing

Print ISBN: 978-3-319-46671-2

Electronic ISBN: 978-3-319-46672-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46672-9_28