叶巧琳;赵春霞;叶宁;郑浩;陈晓波 一种非平行平面支持向量机分类的特征选择方法。 （英语） Zbl 1243.90171号 最佳方案。方法Softw。 27，第3期，431-443（2012）. 摘要：在过去的几十年中，基于算法的1-范数技术被广泛用于抑制输入特征。与传统的1-范数支持向量机（SVM）不同，直接1-范数优化是基于非平行平面分类器（如广义近端支持向量机、双支持向量机和最小二乘双支持向量机器）的原始问题无法生成非常稀疏的解决方案，这些解决方案对分类至关重要，并且可以使它们更容易存储和更快计算。为了解决这个问题，本文开发了一种用于LSTSVM的特征选择方法，称为非平行平面支持向量机分类（FLSTSVM）特征选择方法。我们将一个Tikhonov正则化项合并到LSTSVM的目标中，然后最小化其1-范数测度。FLSTSVM的求解可以直接从求解两个较小的二次规划问题（QPP）开始，这两个问题是由两个原始QPP引起的，而不是TWSVM中的两个对偶QPP。FLSTSVM能够生成非常稀疏的解决方案。这意味着FLSTSVM可以减少线性情况下的输入特性。当使用非线性分类器时，很少有核函数决定分类器。除了具有较强的特征抑制能力外，与TWSVM、线性规划支持向量机牛顿方法（NLPSVM）和LPNewton方法相比，该方法的优势在于计算速度更快。最后，在公共数据集以及异或（XOR）示例上对该算法进行了比较。 引用于1文件 MSC公司： 90C20个 二次规划 90 C90 数学规划的应用 关键词：LSTSVM公司;FLSTSVM公司;正则化项;特征选择;内核函数 软件：RSVM公司 PDF格式BibTeX公司 XML格式引用 \textit｛Q.Ye｝等人，Optim。方法软件。27，第3号，431--443（2012；Zbl 1243.90171） 全文： 内政部 参考文献： [1] DOI:10.1016/j.eswa.2008.09.066·doi:10.1016/j.eswa.2008.09.066 [2] Fung G.，《KDD-2001会议录：知识发现和数据挖掘》，第77页– [3] DOI:10.1023/B:COAP.000026884.66338.df·兹比尔1056.90103 ·doi:10.1023/B:COAP.000026884.66338.df [4] DOI:10.1016/j.sigpro.2008.10.002·Zbl 1157.68442号 ·doi:10.1016/j.sigpro.2008.10.002 [5] 内政部：10.1080/10556780600883874·Zbl 1125.15013号 ·网址：10.1080/10556780600883874 [6] 内政部：10.1109/TPAMI.2007.1068·doi:10.1109/TPAMI.2007.1068 [7] DOI:10.1016/j.ejor.2007.11.023·Zbl 1159.68531号 ·doi:10.1016/j.ejor.2007.11.023 [8] Lee，Y.J.和Mangasarian，O.L.RSVM：简化支持向量机。第一届SIAM国际数据挖掘会议记录。芝加哥。4月。 [9] Li，H.，Jiang，T.和Zhang，K.基于最大边缘准则的高效且稳健的特征提取。神经信息处理系统进展会议（NIPS’04）。第97-104页。马萨诸塞州剑桥：麻省理工学院出版社。 [10] Mangasarian O.L.，J.Mach。学习。第7号决议第1517页–（2006年） [11] 内政部：10.1109/TPAMI.2006.17·doi:10.10109/TPAMI.2006.17 [12] Sun，L.，Ji，S.W.和Ye，J.P.第26届机器学习国际会议论文集。加拿大蒙特利尔。机器学习中一类广义特征值问题的最小二乘形式， [13] Tikhonov，A.N.和Arsen，V.Y.《病态问题的解决方案》，纽约：John Wiley&Sons出版社。 [14] DOI:10.1016/S0031-3203（01）00210-2·Zbl 1010.68108号 ·doi:10.1016/S0031-3203（01）00210-2 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。