Il presente lavoro di tesi consiste in un'analisi computazionale, condotta previa la necessaria implementazione software, del comportamento matematico del modello di ottimizzazione utilizzato dall'approccio delle Support Vector Machines. Tale valutazione è stata condotta sia in termini assoluti, che, soprattutto, in termini comparativi, confrontando le caratteristiche/performance del suddetto modello con quelle di modelli matematici alternativi, progettati, implementati e testati nell'ottica di ridurre il fenomeno di overfitting. È stata inoltre proposta e valutata la qualità di una procedura di classificazione alternativa, computazionalmente non dispendiosa, basata sull'eliminazione dell'uso dei modelli di ottimizzazione. I risultati ottenuti hanno rilevato l'interessante capacità del kernel gaussiano di agire, di per se stesso, come buon classificatore; la soltanto parziale incidenza del ruolo del modello di ottimizzazione nella bontà della classificazione; la possibilità di fornire uno strumento di classificazione alternativo alle SVM, con notevole vantaggio in termini computazionali e con limitata inferiorità in termini prestazionali (inferiorità che si suppone realisticamente riducibile/annullabile grazie ad un ulteriore lavoro di ricerca in merito)
A computational analysis of optimization models for Support Vector Machines
Petterle, Lucia
2012/2013
Abstract
Il presente lavoro di tesi consiste in un'analisi computazionale, condotta previa la necessaria implementazione software, del comportamento matematico del modello di ottimizzazione utilizzato dall'approccio delle Support Vector Machines. Tale valutazione è stata condotta sia in termini assoluti, che, soprattutto, in termini comparativi, confrontando le caratteristiche/performance del suddetto modello con quelle di modelli matematici alternativi, progettati, implementati e testati nell'ottica di ridurre il fenomeno di overfitting. È stata inoltre proposta e valutata la qualità di una procedura di classificazione alternativa, computazionalmente non dispendiosa, basata sull'eliminazione dell'uso dei modelli di ottimizzazione. I risultati ottenuti hanno rilevato l'interessante capacità del kernel gaussiano di agire, di per se stesso, come buon classificatore; la soltanto parziale incidenza del ruolo del modello di ottimizzazione nella bontà della classificazione; la possibilità di fornire uno strumento di classificazione alternativo alle SVM, con notevole vantaggio in termini computazionali e con limitata inferiorità in termini prestazionali (inferiorità che si suppone realisticamente riducibile/annullabile grazie ad un ulteriore lavoro di ricerca in merito)File | Dimensione | Formato | |
---|---|---|---|
Thesis_Petterle1020060.pdf
accesso aperto
Dimensione
1.95 MB
Formato
Adobe PDF
|
1.95 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/16465