Ranking Support Vector Machine Visualization Using Nomogram
저자
발행사항
수원 : 경희대학교, 2009
학위논문사항
학위논문(석사)-- 경희대학교 대학원 : 컴퓨터공학과 2009. 8
발행연도
2009
작성언어
영어
주제어
DDC
004 판사항(20)
발행국(도시)
경기도
형태사항
50 p. : 삽도 ; 26 cm
일반주기명
경희대학교 논문은 저작권에 의해 보호받습니다.
지도교수:TaeChoong Chung
참고문헌 : p. 47-50
소장기관
In this thesis, we propose a visualization model for a trained ranking support vector machine using nomogram. In addition, we introduce a feature selection method for the
ranking support vector machine, and show visually each feature's e??ects on the log odds ratio on the nomogram. Nomogram is a well-known visualization model that graphically describes the complete model on a single graph. The complexity of the visualization does not depend on the number of the features, but on the properties of the kernel. The experiments will show the e??ectiveness of our proposal which helps the analysts study the effects of predictive features. This method also displays its robustness in eliminating irrelevant and redundant features, then improve the overall accuracy.
To represent the e??ect of each feature on the log odds ratio on the nomograms, we propose a probabilistic ranking support vector machine function. Recently, Support Vector
Machines (SVMs) have been applied very e??ectively in learning ranking functions (or preference functions). They intend to learn ranking functions with the principles of the
large margin and the kernel trick. However, the output of a ranking function is a score function which is not a posterior probability which can e??ectively visualize ranking support
vector machine. One approach to deal with this problem is to apply a generalized linear model with a link function and solve it by calculating the maximum likelihood estimate.
But, if the link function is nonlinear, maximizing the likelihood will face with difficulties. Instead, in this thesis we propose a new approach which trains an SVM for a ranking
function, then maps the SVM outputs to a probabilistic sigmoid function whose parameters are trained by using cross-validation. Proposed function will be evaluated the accuracy on two data mining datasets (synthetic and OHSUMED datasets) and compared to the results obtained by standard ranking SVMs that is the most favorite ranking method now.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)