Wyszukiwarka
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
-
3
CrossRef
-
0
Web of Science
-
4
Scopus
Autorzy (5)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
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 154 razy