The importance of predictor variables for individual classes in SVM
Streszczenie
W metodzie wektorów nośnych (SVM) funkcja dyskryminująca wyznaczana jest poprzez
transformację danych w przestrzeń o znacznie większym wymiarze, gdzie poszukuje się optymal-
nej hiperpłaszczyzny rozdzielającej klasy parami. Na skutek tej transformacji działanie metody
SVM przypomina działanie „czarnej skrzynki”, co oznacza, iż bardzo trudno interpretować wyniki
tak otrzymanej klasyfikacji. Po zbudowaniu modelu często ważnym problemem jest znalezienie
stosownego opisu klas oraz rozpoznanie, które zmienne objaśniające miały największy wpływ na
kształt poszczególnych klas (zidentyfikowanie zmiennych charakterystycznych).
Głównym celem przeprowadzonej analizy jest przedstawienie procedury wykorzystującej
techniki próbkowania, selekcję oraz miarę zgodności klasyfikacji, do oceny wpływu poszczegól-
nych zmiennych diagnostycznych na kształt każdej z klas.
Collections