Multikategorie Support Vector Maschinen

Zwei-Kategorie Support Vector Maschinen (SVM) sind in der Community des maschinellen Lernens bei Klassifikationsproblemen sehr beliebt. Das Lösen von Multikategorie-Problemen durch eine Reihe von binären Klassifikatoren ist im SVM-Paradigma recht üblich; jedoch kann dieser Ansatz unter verschiedenen Umständen scheitern. Wir schlagen die Multikategorie Support Vector Maschine (MSVM) vor, die die binäre SVM auf den Multikategorie-Fall erweitert und gute theoretische Eigenschaften hat. Die vorgeschlagene Methode bietet einen einheitlichen Rahmen, wenn entweder gleiche oder ungleiche Fehlklassifizierungskosten vorliegen. Als Tuning-Kriterium für die MSVM wird eine approximative Leave-One-Out-Kreuzvalidierungsfunktion, genannt Generalisierte Approximate Cross Validation, analog zum binären Fall abgeleitet. Die Effektivität der MSVM wird durch Anwendungen zur Krebs-Klassifikation unter Verwendung von Mikroarray-Daten und der Klassifikation von Wolken mit Satellitenspektralprofilen demonstriert.