Linear Combination of Kernels Using Genetic Algorithm for Improvement of Support Vector Machine Classification Error
محل انتشار: اولین کنفرانس بازشناسی الگو و پردازش تصویر ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 850
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IPRIA01_156
تاریخ نمایه سازی: 11 مرداد 1393
چکیده مقاله:
Support Vector Machine (SVM), is a powerful machine learning technique widely used for regression and classification. As a classifier, we can use SVM as a linearclassifier or kernel based classifier. In case of kernel based classification, the type of kernel function and its parametersaffect significantly on classification accuracy. In this paper, wepropose a method based on genetic algorithm to obtain a suitable kernel function based on linear combination ofconventional kernel functions. We use classification error as our genetic algorithm fitness function in order to minimize it.We evaluate the proposed approach using UCI dataset. Results show that this nonlinear combination can improve SVM true classification rate
کلیدواژه ها:
نویسندگان
Babak Afshin
Department of Computer and Electrical Engineering Islamic Azad University, Qazvin, Iran
Babak Nasersharif
Electrical and Computer Engineering Department, K.N. Toosi University of Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :