A meta-learning method to select the kernel width in Support Vector Regression

Varování

Publikace nespadá pod Pedagogickou fakultu, ale pod Fakultu informatiky. Oficiální stránka publikace je na webu muni.cz.
Název česky Metoda meta-učení pro volbu šířky jádra
Autoři

SOARES Carlos BRAZDIL Pavel KUBA Petr

Rok publikování 2004
Druh Článek v odborném periodiku
Časopis / Zdroj Machine Learning Journal
Fakulta / Pracoviště MU

Fakulta informatiky

Citace
www http://ipsapp009.kluweronline.com/IPS/frames/toc.aspx?J=4984&I=140
Obor Informatika
Klíčová slova meta-learning; parameter setting; support vector machines; Gaussian kernel; learning rankings
Popis The Support Vector Machine algorithm is sensitive to the choice of parameter settings. If these are not set correctly, the algorithm may have a substandard performance. Suggesting a good setting is thus an important problem. We propose a meta-learning methodology for this purpose and exploit information about the past performance of different settings. The methodology is applied to set the width of the Gaussian kernel. We carry out an extensive empirical evaluation, including comparisons with other methods (fixed default ranking; selection based on cross-validation and a heuristic method commonly used to set the width of the SVM kernel). We show that our methodology can select settings with low error while providing significant savings in time. Further work should be carried out to see how the methodology could be adapted to different parameter setting tasks.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.