Least squares K-SVCR multi-class classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F20%3A10419277" target="_blank" >RIV/00216208:11320/20:10419277 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-030-53552-0_13" target="_blank" >https://doi.org/10.1007/978-3-030-53552-0_13</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-53552-0_13" target="_blank" >10.1007/978-3-030-53552-0_13</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Least squares K-SVCR multi-class classification

Popis výsledku v původním jazyce

The support vector classification-regression machine for K-class classification (K-SVCR) is a novel multi-class classification method based on 1-versus-1-versus-rest structure. In this paper, we propose a least squares version of K-SVCR named as LSK-SVCR. Similarly as the K-SVCR algorithm, this method assess all the training data into a 1-versus-1-versus-rest structure, so that the algorithm generates ternary output -1,0,+1. In LSK-SVCR, the solution of the primal problem is computed by solving only one system of linear equations instead of solving the dual problem, which is a convex quadratic programming problem in K-SVCR. Experimental results on several benchmark data set show that the LSK-SVCR has better performance in the aspects of predictive accuracy and learning speed.

Název v anglickém jazyce

Least squares K-SVCR multi-class classification

Popis výsledku anglicky

The support vector classification-regression machine for K-class classification (K-SVCR) is a novel multi-class classification method based on 1-versus-1-versus-rest structure. In this paper, we propose a least squares version of K-SVCR named as LSK-SVCR. Similarly as the K-SVCR algorithm, this method assess all the training data into a 1-versus-1-versus-rest structure, so that the algorithm generates ternary output -1,0,+1. In LSK-SVCR, the solution of the primal problem is computed by solving only one system of linear equations instead of solving the dual problem, which is a convex quadratic programming problem in K-SVCR. Experimental results on several benchmark data set show that the LSK-SVCR has better performance in the aspects of predictive accuracy and learning speed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

50201 - Economic Theory

Projekt

<a href="/cs/project/GA18-04735S" target="_blank" >GA18-04735S: Nové přístupy pro relaxační a aproximační techniky v deterministické globální optimalizaci</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Learning and Intelligent Optimization

ISBN

978-3-030-53552-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

11

Strana od-do

117-127

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Athens

Datum konání akce

24. 5. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—