×
Makmuang、Dawarwee；拉比安·旺基里；霍尔维奇·纳特；尼拉塔亚·坎塞马南

一种用于大规模问题的新型双参数支持向量机。 （英语） Zbl 1508.68297号

泰语J.数学。 18，第4号，2107-2127（2020）.
摘要：本文提出了一种随机梯度下降算法，称为基于随机梯度下降方法的广义弹球双参数支持向量机（SG-TPSVM）来解决数据分类问题。该方法将传统双参数支持向量机（TPSVM）中的铰链损失函数替换为广义弹球损失函数。此外，给出了用该方法求解的数值实验结果。

引用于1文件

MSC公司：

68T05年 人工智能中的学习和自适应系统
90 C90 数学规划的应用

关键词：

广义弹球损失函数；大规模问题；随机梯度下降法；双参数支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{D.Makmuang}等人，泰国数学杂志。18，第4号，2107--2127（2020；Zbl 1508.68297）
全文： 链接

参考文献：

[1] C.Cortes，V.N.Vapnik，支持向量网络，机器学习20（3）（1995）273-297·Zbl 0831.68098号
[2] L.Cao，F.E.H.Tay，使用支持向量机的财务预测，神经计算应用10（2）（2001）184-192·Zbl 1002.68689号
[3] K.G.M.Chathuramali，R.Rodrigo，《利用支持向量机快速识别人类活动》，ICT新兴地区（ICTer）（2012）197-203。
[4] E.Byvatov，G.Schneider，生物信息学中的支持向量机应用，应用生物信息学2（2）（2003）67-77。
[5] 黄振中，陈浩，徐华中，陈文华，吴绍，基于支持向量机和神经网络的信用评级分析：市场比较研究，《决策支持系统》37（2004）543-558。
[6] H.Ince，T.B.Trafalis，回归支持向量机及其在金融预测中的应用，国际神经网络联合会议，IEEE-INNSENNS，意大利科莫（2002）。
[7] S.Mukherjee，E.Osuna，F.Girosi，使用支持向量机对混沌时间序列进行非线性预测，1997年IEEE神经网络信号处理研讨会论文集，美国佛罗里达州阿米莉亚岛（1997），511-520。
[8] R.Khemchandani，Jayadeva，S.Chandra，《金融时间序列预测的正则化最小二乘模糊支持向量回归》，《应用专家系统》36（1）（2009）132-138·Zbl 1183.68482号
[9] Jayadeva，R.Khemchandani，S.Chandra，模式分类的双支持向量机，IEEE模式分析和机器智能学报29（5）（2007）905-910·Zbl 1329.68226号
[10] M.A.Kumar、M.Gopal，用于模式分类的最小二乘双支持向量机，《应用专家系统》36（4）（2009）7535-7543。
[11] Xu Y.Xu W.Xi，X.Lv，R.Guo，一种改进的最小二乘双支持向量机，信息科学9（4）（2012）1063-1071。
[12] X.Peng，TSVR:《回归的有效双支持向量机》，《神经网络》23（3）（2010）365-372·兹比尔1396.68102
[13] Y.Xu，L.Wang，加权双支持向量回归，Knowledge Based Systems 33（2012）92-101。
[14] P.Y.Hao，带参数不敏感/边缘模型的新支持向量算法，神经网络23（1）（2010）60-73·Zbl 1396.68092号
[15] X.Peng，用于模式识别的新型双参数边缘支持向量机，模式识别44（2011）2678-2692·Zbl 1218.68129号
[16] J.Platt，使用序列最小优化快速训练支持向量机，《核方法的进展——支持向量学习》，马萨诸塞州剑桥：麻省理工学院出版社（1999），185-208。
[17] T.Joachims，《使大规模SVM学习实用化》，《核方法的进展——支持向量学习》，剑桥（1998），169-184。
[18] C.C.Chang，C.J.Lin，LIBSVM：支持向量机库，网址：http://www.csie.ntu.edu.tw/cjlin（2001）。
[19] R.E.Fan、K.W.Chang、C.J.Hsieh、X.R.Wang、C.J Lin、LIBLINEAR:大型线性分类库，《机器学习研究杂志》9（2008）1871-1874·Zbl 1225.68175号
[20] S.Shalev-Shwartz，Y.Singer，N.Srebro，A.Cotter，Pegasos:SVM的原始估计次梯度解算器，数学规划127（1）（2011）3-30·Zbl 1211.90239号
[21] Y.Shao，C.Zhang，X.Wang，N.Deng，双支持向量机的改进，IEEE神经网络汇刊22（6）（2011）962-968。
[22] Z.Wang，Y.H.Shao，T.R.Wu，平滑双参数边缘支持向量机的基于gabase的模型选择，模式识别46（8）（2013）2267-2277·Zbl 1316.68131号
[23] 田义杰，平勇，大尺度线性非并行支持向量机求解器，神经网络50（2014）166-174·兹比尔1298.68231
[24] Z.Wang，Y.Shao，L.Bai，C.Li，L.Liu，N.Denge，用于大规模问题的不敏感随机梯度双支持向量机，信息科学462（2018）114-131·Zbl 1440.68245号
[25] X.Huang，L.Shi，J.A.Suykens，带弹球损失的支持向量机分类器，IEEE模式分析和机器智能汇刊36（5）（2014）984-997。
[26] R.Reshma、R.Khemchandani、A.Pal、S.Chandra，《广义弹球丢失svms》，神经计算10（2018）322。
[27] S.Shwartz，S.Ben-David，《理解机器学习理论算法》，剑桥大学出版社，2014年·Zbl 1305.68005号
[28] F.Pedregosa、G.Varoqueaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Pret-tenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot、E.Duchesnay、Scikit-learn：Python中的机器学习，《机器学习研究杂志》12（2011）2825-2830·Zbl 1280.68189号
[29] 年。
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。