Grundlegende Erforschung von Support Vector Machines als moderner Datenanalysemethodik für die Lösung komplexer chemometrischer Probleme

• Applicant: Professor Dr. Jürgen von Frese
• Subject Area: Analytical Chemistry
• Term: from 2002 to 2005
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 5381880

Der Support Vector Machine-Ansatz (SVM) aus dem Bereich des maschinellen Lernens hat in den letzten Jahren stark an Be- deutung in der Datenanalyse gewonnen, da er für die praktisch relevante Situation (relativ) weniger Beispiele komplexer Trainingsdaten konzipiert ist. Insbesondere unter dem Blickwinkel der Chemometrie sollen SVMs systematisch auf ihre grundlegenden Eigenschaften, Verwendbarkeit und Leistungsfähigkeit erforscht werden. Grundlegende theoretische Untersuchungen sollen ein direktes Verständnis ermöglichen, wie optimale SVM-Parameter systematisch problembezogen gewählt werden können und problemspezifische Kenngrößen (Variablenzahl, Signal-/Rauschverhältnis etc.) die Leistungsfähigkeit beeinflussen. Im Gegensatz zu bisherigen theoretischen Untersuchungen, die SVMs überwiegend datenunabhängig, d. h. für den worst-case Fall, analysiert haben, wollen wir mit Hilfe von Methoden der theoretischen Physik den Einfluß praktisch wichtiger, "gutartiger" Datenverteilungen untersuchen. Auf der anderen Seite soll die Leistungsfähigkeit (insbesondere die Generalisierungsfähigkeit) anhand verschiedenster realer chemometrischer Datenanalyseprobleme im Vergleich zu etablierten und neueren Verfahren kritisch untersucht werden. Insgesamt soll der praktische Einsatz der SVMs systematisiert und ein grundlegender Beitrag zur optimalen Lösbarkeit komplexer chemometrischer Datenanalyseprobleme geleistet werden.

• DFG Programme: Research Grants