Bai、Yanqin;韩，肖;陈彤;于华 用于目标疾病分类的二次无核最小二乘支持向量机。 （英语） Zbl 1355.90076号 J.库姆。最佳方案。 30，第4期，850-870（2015）. 摘要：支持向量机（SVM）已被证明是解决分类问题的有效且有前途的技术。最近，支持向量机已成功应用于实际数据的目标疾病分类和预测。本文针对二进制分类问题，提出了一种新的二次无核最小二乘支持向量机（QLSSVM）。QLSSVM模型是一个凸二次规划问题，与现有的最小二乘支持向量机相比，它具有无核的优点。利用一致性技术，将QLSSVM的决策变量分解为局部变量和全局变量。然后将QLSSVM转换为一致QLSSVM，并用高斯反代换的交替方向乘法器法求解。最后，基于两种类型的训练数据集，通过数值测试对QLSSVM进行了说明。第一次数值测试是基于人工数据进行的，以验证我们的QLSSVM的性能。为了将QLSSVM应用于疾病分类，第二种方法是基于加州大学欧文分校机器学习库的疾病数据集实现的，以证明我们的模型与现有的几种方法相比具有更高的分类精度。特别是，我们的数值示例是基于匈牙利心脏病数据库提供的特殊心脏病数据集实现的，以说明QLSSVM对特定疾病诊断的有效性。 引用于16文件 MSC公司： 90C27型 组合优化 90立方厘米20 二次规划 90C25型 凸面编程 关键词：分类问题;最小二乘支持向量机;共识;二次无核最小二乘支持向量机;交替方向乘法器法 软件：NeC4.5（新4.5） PDF格式BibTeX公司 XML格式引用 \textit{Y.Bai}等人，J.Comb。最佳方案。30，第4号，850--870（2015；Zbl 1355.90076） 全文： 内政部 参考文献： [1] Al-Bashish D，Bani-Ahmad S，Braik M（2011），使用基于k均值的分割和基于神经网络的分类检测和分类叶病。Inf Technol杂志10（2）：267-275·doi:10.3923/itj.2011.267.275 [2] Baesensl B、Viaenel S、Van Gestel T、Suykens JA、Dedene G、De Moor B、Vantheenen J（2000）《最小二乘支持向量机分类器核类型性能的实证评估》。第四次知识型国际会议。智能工程系统及相关技术，第1卷，第313-316页 [3] Bai Y，Chen Y，Niu B（2013）使用半监督SVM检测蛋白质同源性的新sdp模型。优化62（4）：561-572·Zbl 1273.90143号 ·doi:10.1080/02331934.2011.611515 [4] Bai Y，Niu BL，Chen Y（2012）半监督支持向量机的Sdp松弛。太平洋J Optim 8（1）：3-14·Zbl 1263.90051号 [5] Bai Y，Shen K，Shen Y（2014）共识近端支持向量机分类。中国运营研究杂志2:57-74·Zbl 1308.90105号 ·doi:10.1007/s40305-014-0037-z [6] Boyd S、Parikh N、Chu E、Peleato B、Eckstein J（2010）《通过交替方向乘数法进行分布式优化和统计学习》。发现趋势机器学习3:1-122·兹比尔1229.90122 ·doi:10.1561/220000016 [7] Chen W，Tian YJ\[（2010）l_p\]lp范数近端支持向量机及其应用。过程计算科学1:2417-2423·doi:10.1016/j.procs.2010.04.272 [8] Cortes C、Vapnik V（1995）《支持向量网络》。马赫学习20（3）：273-297·Zbl 0831.68098号 [9] Deng N，Zhang C，Tian Y（2012）支持向量机：基于优化的理论、算法和扩展。博卡拉顿CRC出版社 [10] Fung G，Mangasarian O（2001）近距离支持向量机分类器。摘自：《KDD-2001:知识发现和数据挖掘学报》，旧金山，第77-86页·Zbl 1101.68758号 [11] Gu G，Yuan X，He B（2014）线性约束凸极小化和鞍点问题的定制近点算法：统一方法。计算优化应用59（1）：135-161·Zbl 1303.90080号 ·doi:10.1007/s10589-013-9616-x [12] 顾毅，吴明，陈秋林，苏扎路，唐总（2013a）一种新的两方谈判机制。J Comb Optim杂志25（1）：135-163·Zbl 1267.91036号 ·doi:10.1007/s10878-011-9424-0 [13] Gu Y，Fan J，Tang G，Zhong J（2013b）两人合作博弈的最大延迟调度问题。J Comb Optim杂志26（1）：71-81·Zbl 1273.91033号 ·doi:10.1007/s10878-011-9434-y [14] He B，Tao M，Yuan X（2012）可分离凸规划的高斯后代换交替方向法。SIAM J Optim 22（2）：313-340·Zbl 1273.90152号 ·数字对象标识代码：10.1137/10822347 [15] Huang K，Yang H，King I，Lyu MR，Chan L（2004）医疗诊断中的有偏极小极大概率机。Artif Intell Math，第111-118页 [16] Dagher I（2008）二次无核非线性支持向量机。J全球优化41（1）：15-30·Zbl 1216.62003年 ·doi:10.1007/s10898-007-9162-0 [17] Lathia J（2014）《模拟混乱：利用数学模型预测idh1突变型胶质母细胞瘤的侵袭和增殖动力学》。神经病学16（6）：763-764·doi:10.1093/neuonc/nou062 [18] Jayadeva J，Khemchandani R，Chandra S（2007）模式分类的双支持向量机。IEEE Trans-Pattern Ana Mach Intell 29（5）：905-910·doi:10.1109/TPAMI.2007.1068 [19] Liang Y，Liu C，Luan C，Leung KS，Chan TM，Xu ZB，Zhang H（2013）癌症分类中基因选择的稀疏逻辑回归。BMC生物信息14（1）：198·doi:10.186/1471-2105-14-198 [20] Mangasarian O，Wild EW（2006），通过广义特征值进行多曲面近端支持向量机分类。IEEE Trans-Pattern Ana Mach Intell 28:69-74（IEEE传输模式分析机智能28:69-94）·doi:10.10109/TPAMI.2006.17 [21] Rani K（2011）使用神经网络方法分析心脏病数据集。国际J数据最低知识管理流程1（5）：1-8·doi:10.5121/ijdkp.2011.1501 [22] Rumpf T、Mahlein A、Steiner U、Oerke EC、Dehne HW、Plümer L（2010）基于高光谱反射率的支持向量机对植物病害的早期检测和分类。计算机电子农业74（1）：91-99·doi:10.1016/j.compag.2010.06.009 [23] Suykens JAK，Vandwalle J（1999）最小二乘支持向量机分类器。神经过程Lett 9（3）：293-300·doi:10.1023/A:1018628609742 [24] 田毅，齐Z（2014）：双支持向量机综述。《数据科学年鉴》1（2）：253-277·doi:10.1007/s40745-014-0018-4 [25] Vapnik VN（1998），统计学习理论。纽约威利·Zbl 0935.62007号 [26] Zhong L，Luo S，Wu L，Xu L，Yang J，Tang G（2014）《手术计划的两阶段方法》。J Comb Optim杂志27（3）：545-556·Zbl 1297.90064号 ·doi:10.1007/s10878-012-9535-2 [27] 周Z，江Y（2004）Nec4.5：基于神经集成的c4.5。IEEE Trans Knowl Data Eng 16（6）：770-773·doi:10.1109/TKDE.2004.11 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。