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:
Introduction Kapitel lesen Erstes Kapitel lesen

2013 | OriginalPaper | Buchkapitel

5. Support Vector Machines

verfasst von : Petros Xanthopoulos, Panos M. Pardalos, Theodore B. Trafalis

Erschienen in: Robust Data Mining

Verlag: Springer New York

Einloggen

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

search-config
loading …

Abstract

In this chapter we describe one of the most successful supervised learning algorithms namely suppor vector machines (SVMs). The SVM is one of the conceptually simplest algorithms whereas at the same time one of the best especially for binary classification. Here we illustrate the mathematical formulation of SVM together with its robust equivalent for the most common uncertainty sets.

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 Linear Discriminant Analysis
Nächstes Kapitel Conclusion
Literatur
6.
Ben-Tal, A., El Ghaoui, L., Nemirovski, A.S.: Robust optimization. Princeton Univ Pr (2009)
19.
Chvatal, V.: Linear Programming. Freeman and Company (1983)
24.
Haykin, S.: Neural Network: A Comprehensive Foundation. Prentice Hall, New Jersey (1999)MATH
42.
Platt, J., Cristianini, N., Shawe-Taylor, J.: Large margin DAGs for multiclass classification. Advances in neural information processing systems 12(3), 547–553 (2000)
48.
Santosa, B., Trafalis, T.: Robust multiclass kernel-based classifiers. Computational Optimization and Applications 38(2), 261–279 (2007)MathSciNetMATHCrossRef
50.
Schölkopf, B., Smola, A.: Learning with Kernels. The MIT Press, Cambridge, Massachusetts (2002)
56.
Trafalis, T., Alwazzi, S.: Robust optimization in support vector machine training with bounded errors. In: Neural Networks, 2003. Proceedings of the International Joint Conference on, vol. 3, pp. 2039–2042
57.
Trafalis, T., Alwazzi, S.: Robust optimization in support vector machine training with bounded errors. In: Proceedings of the International Joint Conference On Neural Networks, Portland, Oregon, pp. 2039–2042. IEEE Press (2003)
58.
Trafalis, T.B., Gilbert, R.C.: Robust classification and regression using support vector machines. European Journal of Operational Research 173(3), 893–909 (2006)MathSciNetMATHCrossRef
60.
Vapnik, V.: The Nature of Statistical Learning Theory. Springer-Verlag, New York (1995)MATH
62.
Xu, H., Caramanis, C., Mannor, S.: Robustness and Regularization of Support Vector Machines. Journal of Machine Learning Research 10, 1485–1510 (2009)MathSciNetMATH
Metadaten
Titel
Support Vector Machines
verfasst von
Petros Xanthopoulos
Panos M. Pardalos
Theodore B. Trafalis
Copyright-Jahr
2013
Verlag
Springer New York
Buch
Robust Data Mining

Print ISBN: 978-1-4419-9877-4

Electronic ISBN: 978-1-4419-9878-1

Copyright-Jahr: 2013

DOI
https://doi.org/10.1007/978-1-4419-9878-1_5