Το περιβάλλον με οικολογική σημασία: Parameter investigation of support vector machine classifier with kernel functions

Στην βιολογία, το περιβάλλον μπορεί να καθοριστεί σαν ενα σύνολο κλιματικών, βιοτικών, κοινωνικών και εδαφικών παραγόντων που δρουν σε έναν οργανισμό και καθορίζουν την ανάπτυξη και την επιβίωση του. Έτσι, περιλαμβάνει οτιδήποτε μπορεί να επηρεάσει άμεσα τον μεταβολισμό ή τη συμπεριφορά των ζωντανών οργανισμών ή ειδών, όπως το φως, ο αέρας, το νερό, το έδαφος και άλλοι παράγοντες. Δείτε επίσης το άρθρο για το φυσικό περιβάλλον και τη φυσική επιλογή.

Στην αρχιτεκτονική, την εργονομία και την ασφάλεια στην εργασία, περιβάλλον είναι το σύνολο των χαρακτηριστικών ενός δωματίου ή κτιρίου που επηρεάζουν την ποιότητα ζωής και την αποδοτικότητα, περιλαμβανομένων των διαστάσεων και της διαρρύθμισης των χώρων διαβίωσης και της επίπλωσης, του φωτισμού, του αερισμού, της θερμοκρασίας, του θορύβου κλπ. Επίσης μπορεί να αναφέρεται στο σύνολο των δομικών κατασκευών. Δείτε επίσης το άρθρο για το δομημένο περιβάλλον.

Στην ψυχολογία, περιβαλλοντισμός είναι η θεωρία ότι το περιβάλλον (με τη γενική και κοινωνική έννοια) παίζει μεγαλύτερο ρόλο από την κληρονομικότητα καθορίζοντας την ανάπτυξη ενός ατόμου. Συγκεκριμένα, το περιβάλλον είναι ένας σημαντικός παράγοντας πολλών ψυχολογικών θεωριών.

Στην τέχνη, το περιβάλλον αποτελεί κινητήριο μοχλό και μούσα εμπνέοντας τους ζωγράφους ή τους ποιητές. Σε όλες τις μορφές της Τέχνης αποτελεί έμπνευση και οι Καλές Τέχνες φανερώνουν την επιρροή οπού άσκησε σε όλους τους καλλιτέχνες με όποιο είδος Τέχνης κι αν ασχολούνται. Ο άνθρωπος μέσα στο περιβάλλον δημιουργεί Μουσική, Ζωγραφική, Ποίηση, Γλυπτική, χορό, τραγούδι, θέατρο, αλλά και όλες οι μορφές τέχνης έχουν άμεση έμπνευση από το περιβάλλον.

Παρασκευή 1 Φεβρουαρίου 2019

Parameter investigation of support vector machine classifier with kernel functions

Abstract

Support vector machine (SVM) is one of the well-known learning algorithms for classification and regression problems. SVM parameters such as kernel parameters and penalty parameter have a great influence on the complexity and performance of predicting models. Hence, the model selection in SVM involves the penalty parameter and kernel parameters. However, these parameters are usually selected and used as a black box, without understanding the internal details. In this paper, the behavior of the SVM classifier is analyzed when these parameters take different values. This analysis consists of illustrative examples, visualization, and mathematical and geometrical interpretations with the aim of providing the basics of kernel functions with SVM and to show how it works to serve as a comprehensive source for researchers who are interested in this field. This paper starts by highlighting the definition and underlying principles of SVM in details. Moreover, different kernel functions are introduced and the impact of each parameter in these kernel functions is explained from different perspectives.

http://bit.ly/2G0FnRO

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου

Εγγραφή σε: Σχόλια ανάρτησης (Atom)