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