Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Interpreting support vector machines applied in laser-induced breakdown spectroscopy

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F22%3APU142522" target="_blank" >RIV/00216305:26620/22:PU142522 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/00216224:14310/22:00126745

  • Výsledek na webu

    <a href="https://www.sciencedirect.com/science/article/pii/S0003267021011788#appsec1" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0003267021011788#appsec1</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.aca.2021.339352" target="_blank" >10.1016/j.aca.2021.339352</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Interpreting support vector machines applied in laser-induced breakdown spectroscopy

  • Popis výsledku v původním jazyce

    Laser-induced breakdown spectroscopy is often combined with a multivariate black box model—such as support vector machines (SVMs)—to obtain desirable quantitative or qualitative results. This approach carries obvious risks when practiced in high-stakes applications. Moreover, the lack of understanding of a black-box model limits the user's ability to fine-tune the model. Thus, here we present four approaches to interpret SVMs through investigating which features the models consider important in the classification task of 19 algal and cyanobacterial species. The four feature importance metrics are compared with popular approaches to feature selection for optimal SVM performance. We report that the distinct feature importance metrics yield complementary and often comparable information. In addition, we identify our SVM model's bias towards features with a large variance, even though these features exhibit a significant overlap between classes. We also show that the linear and radial basis kernel SVMs weight the same features to the same degree.

  • Název v anglickém jazyce

    Interpreting support vector machines applied in laser-induced breakdown spectroscopy

  • Popis výsledku anglicky

    Laser-induced breakdown spectroscopy is often combined with a multivariate black box model—such as support vector machines (SVMs)—to obtain desirable quantitative or qualitative results. This approach carries obvious risks when practiced in high-stakes applications. Moreover, the lack of understanding of a black-box model limits the user's ability to fine-tune the model. Thus, here we present four approaches to interpret SVMs through investigating which features the models consider important in the classification task of 19 algal and cyanobacterial species. The four feature importance metrics are compared with popular approaches to feature selection for optimal SVM performance. We report that the distinct feature importance metrics yield complementary and often comparable information. In addition, we identify our SVM model's bias towards features with a large variance, even though these features exhibit a significant overlap between classes. We also show that the linear and radial basis kernel SVMs weight the same features to the same degree.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10406 - Analytical chemistry

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Analytica Chimica Acta

  • ISSN

    0003-2670

  • e-ISSN

    1873-4324

  • Svazek periodika

    1192

  • Číslo periodika v rámci svazku

    339352

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    12

  • Strana od-do

    1-12

  • Kód UT WoS článku

    000829967000016

  • EID výsledku v databázi Scopus

    2-s2.0-85121215317