×
亚历山大·马利谢夫。;特拉法利斯（Theodore B.Trafalis）。

使用线性规划方法进行内核分类。 （英语） Zbl 1429.68233号

安。数学。Artif公司。智力。 88，编号1-3，39-51（2020）.
摘要：支持向量机（SVM）分类器以其最基本的形式对应于二次规划问题。研究了支持向量分类的各种线性变化，如最小化权重向量的L_1范数而不是L_2范数。在本文中，我们引入了一个分类器，在该分类器中，我们最小化了在一组函数上生成的铭文的边界（下包络），这可以解释为距离原点的距离或松弛度的度量。所得到的分类器似乎提供了类似于SVM的泛化性能，同时显示了更有利的计算复杂性。所讨论的公式也可以扩展到允许数据不平衡的情况。

MSC公司：

68T05型 人工智能中的学习和自适应系统
90C05（二氧化碳） 线性规划

关键词：

内核方法;分类;线性规划

软件：

蟒蛇;Scikit公司;UCI-毫升;古罗比
PDF格式BibTeX公司 XML格式引用
\textit{A.M.Malyscheff}和\textit{T.B.Trafalis}，Ann.数学。Artif公司。智力。88，编号1--3，39-51（2020；Zbl 1429.68233）
全文： 内政部

参考文献：

[1] Bi，J.，Bennett，K.P.：对偶、几何和支持向量回归。摘自：《神经信息处理系统进展》，第593-600页（2002年）
[2] Boser，B.E.，Guyon，I.M.，Vapnik，V.N.：最佳边缘分类器的训练算法。摘自：第五届计算学习理论年度研讨会论文集，第144-152页。ACM（1992）
[3] Burges，Cj，模式识别支持向量机教程，Data Min.Knowl。光盘。，2, 2, 121-167 (1998) ·doi:10.1023/A:1009715923555
[4] Chvȧtal，V.：线性规划。麦克米伦（1983）·Zbl 0537.90067号
[5] 科尔特斯，C。；Vapnik，V.，支持向量网络，马赫。学习。，20273-297（1995年）·Zbl 0831.68098号
[6] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，J.，《支持向量机和其他基于内核的学习方法简介》（2000），剑桥：剑桥大学出版社，剑桥
[7] Dheeru，D.，Karra Taniskidou，E.：UCI机器学习库。网址：http://archive.ics.uci.edu/ml (2017)
[8] 古罗比优化公司：古罗比优化器参考手册，德克萨斯州休斯顿。网址：http://www.gurobi.com (2016)
[9] Herbrich，R.、Graepel，T.、Campbell，C.：稳健贝叶斯点机器。收录于：ESANN，第49-54页。Citeser（2000）·Zbl 1008.68104号
[10] Malyscheff，A.M.：数据分析中的优化问题：内核方法的分析中心方法。博士论文（2001）
[11] 美国Malyscheff；Trafalis，Tb，回归分析中心机器，CEJOR，10，4，297-334（2002）·Zbl 1026.62077号
[12] Mercer，J.，《正负型函数及其与积分方程理论的关系》，伦敦皇家学会哲学学报，A辑，包含数学或物理性质论文，209415-446（1909）
[13] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；O.格栅。；布隆德尔，M。；普雷滕霍弗，P。；韦斯，R。；Dubourg，V.，《Scikit-learn：python中的机器学习》，J.Mach。学习。决议，2825-2830年10月12日（2011年）·Zbl 1280.68189号
[14] Van Rossum，G.，《Python参考手册》（1995年），阿姆斯特丹：CWI，阿姆斯特朗数学和计算机科学中心
[15] Schölkopf，B。；Smola，Aj，《使用内核学习：支持向量机、正则化、优化和超越》（2001），剑桥：麻省理工学院出版社，剑桥
[16] 特拉法利斯，Tb；美国马利舍夫，分析中心机器，马赫。学习。，46, 1-3, 203-223 (2002) ·兹比尔0998.68104 ·doi:10.1023/A:1012458531022
[17] Vapnik，V.，《统计学习的本质》（1995），纽约：斯普林格出版社，纽约·Zbl 0833.62008号
[18] Vapnik，V.，《统计学习理论》（1998），纽约：威利，纽约·Zbl 0935.62007号
[19] 黄曲霉，P。；瓜拉西诺先生；Pardalos，Pm，具有椭球不确定性的鲁棒广义特征值分类器，Ann.Oper。决议，216，1，327-342（2014）·Zbl 1296.90084号 ·doi:10.1007/s10479-012-1303-2
[20] 黄曲霉，P。；帕达洛斯，Pm；Trafalis，Tb，稳健数据挖掘（2012），柏林：Springer科学与商业媒体，柏林
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。