Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Support Vector Maschinen (SVM) sind bewährte Lernalgorithmen zur Mustererkennung, die ursprünglich für binäre Klassifikationsprobleme formuliert wurden. Für Mehrklassenprobleme sind verschiedene Erweiterungen gebräuchlich, unter denen sich allerdings keine als kanonisch identifizieren lässt. Die vorliegende Arbeit widmet sich der theoretischen, implementationsbezogenen und experimentellen Untersuchung von Mehrklassen-SVM. Fünf existierende Formulierungen werden betrachtet, darunter vier sogenannte 'all-in-one' Maschinen, die jeweils ein einziges quadratisches Optimierungsproblem lösen. Als Hauptbeitrag analysiert die vorliegende Arbeit konzeptionelle Eigenschaften der all-in-one SVM und entwickelt hierauf aufbauend eine vereinheitlichte mathematische Formulierung. Weiterhin wird ein neuer Dekompositionsalgorithmus für Varianten von all-in-one SVM vorgestellt, der schnelles Lernen ermöglicht.