밀도에 기반한 퍼지 서포트 벡터 머신을 이용한 멀티 클래스 패턴 분류

Abstract

서포트 벡터 머신(SVMs) 두 클래스의 데이터를 분류하는 강력한 도구로써 사용되었다. 그러나 멀티 클래스에서 pairwise 방법을 쓴 SVM은 구별할 수 없는 지역을 만들어 낸다. 이러한 문제를 해결하기 위해 Fuzzy Support Vector Machines가 제안 되었다. FSVM 은 SVM 에 의해 구해진 hyperplane과 패턴들과의 거리에 따라 membership 값을 할당한다. FSVM은 데이터의 분포에 따른 적정한 decision boundary을 만들어 내지 못한다. 본 논문에서는 hyperplane과 패턴 사이의 거리와 데이터의 분포를 이용하여 membership 값을 계산하는 Density based Fuzzy Support Vector Machines을 제안한다. 그러므로 본 논문에서 제안하는 알고리즘은 FSVM 보다 더 적당한 decision boundary를 얻을 수 있다. 이 알고리즘의 타당성을 보이기 위해 여러 개의 dataset 들로 실험한 결과를 보이겠다.; Support vector machines (SVMs) have been a powerful classifier which categorizes data into two classes. However in multiclass problems, SVM using pairwise decision function can make unclassifiable region. To solve this problem, Fuzzy support vector machines (FSVMs) was proposed. FSVM assign membership values according to the distance of pattern and hyperplanes obtained by SVM. However, they may not make reasonable decision boundary for data distribution. In this paper, density based fuzzy support vector machines (DFSVM) which calculate membership value using data distribution and distance between patterns and hyperplanes is proposed. Therefore, our proposed algorithm may obtain more appropriate decision boundary than FSVM. To validate our proposed algorithm, we show experimental results for several datasets.