Support Vector Machines - 9780387772417

Każda dyscyplina matematyczna przechodzi przez trzy okresy rozwoju: naiwny, formalny i krytyczny. David Hilbert Celem tej książki jest wyjaśnienie zasad, które uczyniły maszyny wektorów nośnych (SVM) skutecznym narzędziem do modelowania i przewidywania w różnych zastosowaniach. Staramy się to osiągnąć, przedstawiając podstawowe idee SVM wraz z najnowszymi osiągnięciami i aktualnymi pytaniami badawczymi w jednolitym stylu. W skrócie, identyfikujemy co najmniej trzy powody sukcesu maszyn SVM: ich zdolność do dobrego uczenia się przy bardzo małej liczbie wolnych parametrów, ich odporność na kilka typów naruszeń modelu i wartości odstających oraz, co nie mniej ważne, ich wydajność obliczeniowa. skuteczność w porównaniu z kilkoma innymi metodami. Chociaż istnieje kilka korzeni i prekursorów SVM, metody te nabrały szczególnego rozmachu w ciągu ostatnich 15 lat, odkąd Vapnik (1995, 1998) opublikował swoje dobrze znane podręczniki na temat statystycznej teorii uczenia się ze specjalnymi maszynami wektorowymi ze wsparciem nacisku. Od tego czasu w dziedzinie uczenia maszynowego nastąpiła intensywna aktywność w badaniach nad maszynami SVM, które w coraz większym stopniu rozprzestrzeniały się na inne dyscypliny, takie jak statystyka i matematyka. Można więc śmiało powiedzieć, że kilka społeczności pracuje obecnie nad maszynami wektorów pomocniczych i powiązanymi metodami opartymi na jądrze. Chociaż istnieje wiele interakcji między tymi społecznościami, uważamy, że nadal istnieje miejsce na dodatkowe owocne interakcje i bylibyśmy zadowoleni, gdyby ten podręcznik okazał się pomocny w stymulowaniu dalszych badań. Wiele wyników przedstawionych w tej książce zostało wcześniej rozproszonych w literaturze czasopism lub nadal jest analizowanych. W rezultacie wyniki te były dostępne jedynie dla stosunkowo małej liczby specjalistów, czasami prawdopodobnie tylko dla osób z jednej społeczności, ale nie z innych.