A meta-learning method to select the kernel width in Support Vector Regression

SOARES, Carlos, Pavel BRAZDIL a Petr KUBA. A meta-learning method to select the kernel width in Support Vector Regression. Machine Learning Journal. Netherlands: Kluwer Academic Publishers, 2004, roč. 54, č. 3, s. 195-209. ISSN 0885-6125.

Základní údaje

• Originální název: A meta-learning method to select the kernel width in Support Vector Regression
• Název česky: Metoda meta-učení pro volbu šířky jádra
• Autoři: SOARES, Carlos (620 Portugalsko), Pavel BRAZDIL (826 Velká Británie a Severní Irsko) a Petr KUBA (203 Česká republika, garant).
• Vydání: Machine Learning Journal, Netherlands, Kluwer Academic Publishers, 2004, 0885-6125.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Článek v odborném periodiku
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Nizozemské království
• Utajení: není předmětem státního či obchodního tajemství
• WWW: URL
• Impakt faktor: Impact factor: 3.258
• Kód RIV: RIV/00216224:14330/04:00010093
• Organizační jednotka: Fakulta informatiky
• UT WoS: 000188925100002
• Klíčová slova anglicky: meta-learning; parameter setting; support vector machines; Gaussian kernel; learning rankings
• Štítky: Gaussian kernel, learning rankings, meta-learning, parameter setting, Support Vector Machines
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

The Support Vector Machine algorithm is sensitive to the choice of parameter settings. If these are not set correctly, the algorithm may have a substandard performance. Suggesting a good setting is thus an important problem. We propose a meta-learning methodology for this purpose and exploit information about the past performance of different settings. The methodology is applied to set the width of the Gaussian kernel. We carry out an extensive empirical evaluation, including comparisons with other methods (fixed default ranking; selection based on cross-validation and a heuristic method commonly used to set the width of the SVM kernel). We show that our methodology can select settings with low error while providing significant savings in time. Further work should be carried out to see how the methodology could be adapted to different parameter setting tasks.

Anotace česky

The Support Vector Machine algorithm is sensitive to the choice of parameter settings. If these are not set correctly, the algorithm may have a substandard performance. Suggesting a good setting is thus an important problem. We propose a meta-learning methodology for this purpose and exploit information about the past performance of different settings. The methodology is applied to set the width of the Gaussian kernel. We carry out an extensive empirical evaluation, including comparisons with other methods (fixed default ranking; selection based on cross-validation and a heuristic method commonly used to set the width of the SVM kernel). We show that our methodology can select settings with low error while providing significant savings in time. Further work should be carried out to see how the methodology could be adapted to different parameter setting tasks.

Návaznosti

• MSM 143300003, záměr: Název: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Interakce člověka s počítačem, dialogové systémy a asistivní technologie