Improving Effectiveness of SVM Classifier for Large Scale Data - Publikacja - MOST Wiedzy

Wyszukiwarka

Improving Effectiveness of SVM Classifier for Large Scale Data

Abstrakt

The paper presents our approach to SVM implementation in parallel environment. We describe how classification learning and prediction phases were pararellised. We also propose a method for limiting the number of necessary computations during classifier construction. Our method, named one-vs-near, is an extension of typical one-vs-all approach that is used for binary classifiers to work with multiclass problems. We perform experiments of scalability and quality of the implementation. The results show that the proposed solution allows to scale up SVM that gives reasonable quality results. The proposed one-vs-near method significantly improves effectiveness of the classifier construction.

Cytowania

  • 2

    CrossRef

  • 1

    Web of Science

  • 4

    Scopus

Pełna treść

pełna treść publikacji nie jest dostępna w portalu

Informacje szczegółowe

Kategoria:
Aktywność konferencyjna
Typ:
materiały konferencyjne indeksowane w Web of Science
Tytuł wydania:
Artificial Intelligence and Soft Computing strony 675 - 686
Język:
angielski
Rok wydania:
2015
Opis bibliograficzny:
Balicki J., Szymański J., Kępa M., Draszawka K., Korłub W..: Improving Effectiveness of SVM Classifier for Large Scale Data, W: Artificial Intelligence and Soft Computing, 2015, Springer International Publishing,.
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-319-19324-3_60
Weryfikacja:
Politechnika Gdańska

wyświetlono 33 razy

Publikacje, które mogą cię zainteresować

Meta Tagi