Classification on proximity data with LP-machines
Classification on proximity data with LP-machines
复制标题
使用 LP 机器对邻近数据进行分类
DOI：
--
复制
发表时间：
1999
期刊：
影响因子：
--
通讯作者：
R. C. Williamson
中科院分区：
文献类型：
--
作者：
T. Graepel;R. Herbrich;B. Scholkopf;Alex Smola;P. Bartlett;K. Müller;K. Obermayer;R. C. Williamson
我们提供了一个新的线性规划来处理的情况下，在两两接近的数据的数据分类。这允许避免在支持向量机中使用具有不确定度量的特征空间所固有的问题，因为在实际发生分类的输入空间中纯粹需要边缘的概念。此外，在我们的方法中，我们可以通过牺牲训练误差来增强邻近表示的稀疏性。这对于接近度数据是有利的。类似于/spl nu/-SV方法，算法中唯一需要的参数是被分类的数据点的（渐近）数量。最后，在神经科学和分子生物学的真实的世界数据上，将该算法与邻近空间中的/spl nu/-SV学习和K-近邻学习进行了比较.
We provide a new linear program to deal with classification of data in the case of data given in terms of pairwise proximities. This allows to avoid the problems inherent in using feature spaces with indefinite metric in support vector machines, since the notion of a margin is purely needed in input space where the classification actually occurs. Moreover in our approach we can enforce sparsity in the proximity representation by sacrificing training error. This turns out to be favorable for proximity data. Similar to /spl nu/-SV methods, the only parameter needed in the algorithm is the (asymptotical) number of data points being classified with a margin. Finally, the algorithm is successfully compared with /spl nu/-SV learning in proximity space and K-nearest-neighbors on real world data from neuroscience and molecular biology.