吴宜超;刘玉峰 鲁棒截断铰链损失支持向量机。 （英语） Zbl 1469.62293号 美国统计协会。 102，编号479，974-983（2007）. 摘要：支持向量机（SVM）已广泛应用于机器学习和统计中的分类问题。然而，尽管SVM很受欢迎，但在某些情况下它也有一些缺点。特别是，SVM分类器对训练样本中的异常值非常敏感。此外，在许多应用中，支持向量（SV）的数量可能非常大。为了避免这些缺点，我们提出了鲁棒截断铰链损失支持向量机（RSVM），它使用截断铰链损失。RSVM被证明对异常值更具鲁棒性，并且使用比标准SVM更小的SVM集来提供更准确的分类器。我们的理论结果表明，即使没有支配类，RSVM也是Fisher一致的，这对于多类别分类来说是一个特别具有挑战性的场景。对于一类基于边缘的分类器，也得到了类似的结果。 引用于77文件 MSC公司： 62H30型 分类和区分；聚类分析（统计方面） 68T05年 人工智能中的学习和自适应系统 关键词：分类;直流算法;费希尔一致性;正规化;支持向量;截断 PDF格式BibTeX公司 XML格式引用 \textit{Y.Wu}和\textit{Y.Liu}，J.Am.Stat.Assoc.102，No.479，974--983（2007；Zbl 1469.62293） 全文： DOI程序