Bibliographic Metadata

Title
Kernel methods software, algorithms and applications / Alexandros Karatzoglou
AuthorKaratzoglou, Alexandros
CensorHornik, Kurt ; Leisch, Friedrich
Published2006
DescriptionVIII, 202 Bl. : graph. Darst.
Institutional NoteWien, Techn. Univ., Diss., 2006
Annotation
Zsfassung in engl. Sprache
LanguageEnglish
Bibl. ReferenceOeBB
Document typeDissertation (PhD)
Keywords (DE)Kernmethoden / Klassifikation / Regression / Clustering / R / Text Clustering / Machineles Lernen / Algorithmen / Support Vector Machines
Keywords (EN)Kernel Methods / Support Vector Machines / R / Text Mining / Classification / Regression / Clustering / Ranking / Algorithms / On-line Learning
Keywords (GND)Maschinelles Lernen / Kern <Mathematik> / Software / Algorithmus
URNurn:nbn:at:at-ubtuw:1-14467 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Kernel methods software, algorithms and applications [1.4 mb]
Links
Reference
Classification
Abstract (German)

Die vorliegende Arbeit untersucht einen aktuellen Teilbereich des maschinellen Lernens, die Kernmethoden. Nach einer kurzen Präsentation der mathematischen Grundlagen in Kapitel 1 wird in Kapitel 2 das R Erweiterungspaket kernlab vorgestellt. Basierend auf dem S4-Konzept stellt es einen objektorientierten flexiblen Baukasten fuer Kernmethoden zur Verfügung, und noch dazu implementierungen von Gaussian Processes, Support Vector Machines (SVM), "Spectral Clustering" und Kernel PCA. Im Kapitel 3 wird die SVM in kernlab mit 3 anderen SVM-Implementierungen in R in Bezug auf Features und Effizienz verglichen. Kapitel 4 beschreibt einen neuen Kern-basierten Algorithmus für on-line Training von SVMs in der die Schrittgröße des stochastischen Abstiegs dynamisch adaptiert wird. Eine Anwendung der Methode auf einem Standard-Datensatz des maschinellen Lernens zur Handschrifterkennung bestätigt die Leistungsteigung gegenüber ähnlichen Methoden, die die Schrittgröße nicht dynamischen anpassen. Kapitel 5 stellt Kern-basierte Clusterverfahren für die Gruppierung von Textdokumenten vor. "Spectral Clustering" und eine Kern-Version des bekannten k-means Verfahrens werden vorgestellt und miteinander verglichen. Der verwendete Kern wurde speziell für die Clusterung von Textdokumenten entwickelt. Die Resultate zeigen, daß "Spectral Clustering eine Methode mit großem Zukunftspotential im Bereich von Text Clustering ist.

Abstract (English)

This monograph intents to contribute to the area of kernel-based Machine Learning.

After a basic introduction to kernel-based Machine Learning we continue by introducing an software package for kernel-based learning in R. The package provides a range of kernel methods including various formulations of Support Vector Machines, Gaussian processes for classification and regression, a Spectral Clustering implementation, the Relevance Vector Machine for regression, and kernel PCA. The package includes infrastructure for developing kernel methods and to this purpose it also contains implementations of the many popular kernels and functions for fast calculation of kernel expressions along with a quadratic problem solver and a incomplete Cholesky decomposition method.

The second chapter of the thesis presents and compares the Support Vector Machines implementations contained in various extsf

Stats
The PDF-Document has been downloaded 32 times.