×
布迪桑托萨;特拉法利斯（Theodore B.Trafalis）。

基于内核的鲁棒多类分类器。 （英语） Zbl 1144.62330号

计算。最佳方案。申请。 38，第2期，261-279（2007）.
摘要：在本研究中，研究了一种应用于多类支持向量机（SVM）的鲁棒优化方法。开发了两种新的基于核的方法来处理输入不确定性数据，其中每个数据点都位于不确定性范围内。这些模型分别被称为鲁棒SVM和鲁棒可行性方法模型（鲁棒FA）。比较了两种模型的鲁棒性和泛化误差。在多个数据集的泛化行为方面，将这些模型与稳健的最小最大概率机（MPM）进行了比较。结果表明，鲁棒SVM的性能优于鲁棒MPM。

MSC公司：

62小时30分 分类和区分；聚类分析（统计方面）
90 C59 数学规划中的近似方法和启发式
68单位99 计算方法和应用

关键词：

可行性方法;泛化误差;最小最大概率机;支持向量机;不确定性

软件：

ElemStatLearn（电子状态学习）;SNOPT公司;UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{B.Santosa}和\textit{T.B.Trafalis}，计算。最佳方案。申请。38，第2号，261--279（2007；Zbl 1144.62330）
全文： 内政部

参考文献：

[1] Bennett，K.，Mangasarian，O.：两个线性不可分集的稳健线性规划判别。最佳方案。方法软件。1, 23–34 (1992) ·doi:10.1080/10556789208805504
[2] Ben-Tal，A.，Nemirovski，A.：通过凸规划求解不确定线性规划的稳健解。操作。Res.Lett公司。25(1), 1–17 (1996) ·Zbl 0941.90053号 ·doi:10.1016/S0167-6377（99）00016-4
[3] Ben-Tal，A.，Nemirovski，A.：稳健凸优化。数学。操作。第23（4）号决议，769–805（1998年）·Zbl 0977.90052号 ·doi:10.1287/门23.4.769
[4] Bertsimas，D.，Pachamanova，D.，Sim，M.：一般规范下的鲁棒线性优化，Oper。Res.Lett公司。（2004年4月），510-516·Zbl 1054.90046号
[5] Birge，J.：具有固定资源的随机线性规划中统计解的值。数学。程序。24, 314–325 (1982) ·兹比尔0502.90065 ·doi:10.1007/BF01585113
[6] Blake，C.，Merz，C.：机器学习数据库的UCI知识库。网址：http://www.ics.uci.edu/\（\sim\）mlearn/MLRepository.html（1998）
[7] Boyd，S.，Lobo，M.，Vandenberghe，L.：二阶锥规划的应用。线性代数应用。284, 193–226 (1998) ·Zbl 0946.90050号 ·doi:10.1016/S0024-3795（98）10032-0
[8] Chvatal，V.：线性规划。纽约弗里曼（1983）·Zbl 0318.05002号
[9] Fung，G.M.，Mangasarian，O.，Shavlik，J.：基于知识的支持向量机分类器。威斯康星大学计算机科学系数据挖掘研究所技术报告01-09（2001）
[10] Ghaoui，L.E.，Lanckriet，G.，Natsoulis，G.：区间数据稳健分类。技术报告CSD-03-1279，加州大学伯克利分校计算机科学部（2003）http://robotics.eecs.berkeley.edu/\（\sim\）gert/
[11] Ghaoui，L.E.，Lebret，H.：不确定数据矩阵最小二乘问题的稳健解。SIAM J.矩阵分析。申请。18, 1035–1064 (1997) ·兹伯利0891.65039 ·doi:10.1137/S08954797986298130
[12] Ghaoui，L.E.，Oustry，F.，Lebret，H.：不确定半定规划的稳健解。SIAM J.Optim公司。18, 1035–1064 (1997) ·兹伯利0891.65039
[13] Gill，P.，Murray，W.，Saunders，M.：Snopt：大规模约束优化的SQP算法。SIAM J.Optim公司。12（4），979–1006（2002）·Zbl 1027.90111号 ·doi:10.1137/S1052623499350013
[14] Hastie，T.、Tibshirani，R.、Friedman，J.：统计学习的要素：数据挖掘、推断和预测。施普林格，纽约（2001）·Zbl 0973.62007号
[15] Haykin，S.：《神经网络：综合基础》。新泽西州普伦蒂斯·霍尔（1999）·Zbl 0934.68076号
[16] Hsu，C.-W.，Lin，C.-J.：多类支持向量机方法的比较。IEEE传输。神经网络13，415–425（2002）·doi:10.1109/TNN.2002.1000139
[17] Lanckriet，G.，Ghaoui，L.E.，Bhattacharyya，C.，Jordan，M.：分类的稳健极大极小方法。J.马赫。学习。第3号决议，555–582（2002年）·Zbl 1084.68657号 ·doi:10.1162/153244303321897726
[18] Popescue，I.，Bertsimas，D.：概率论中的最优不等式：凸优化方法，技术报告TM62，INSEAD（2001）
[19] Schölkopf，B.，Smola，A.：用内核学习。麻省理工学院，剑桥（2002）·Zbl 1019.68094号
[20] Street，W.，Mangasarian，O.：通过容忍训练改进泛化错误。J.优化。理论应用。96(2), 259–279 (1998) ·Zbl 0905.90187号 ·doi:10.1023/A：1022664513146
[21] Trafalis，T.，Alwazzi，S.：误差有界的支持向量机训练中的稳健优化。摘自：《神经网络国际联合会议论文集》，俄勒冈州波特兰，第2039-2042页。IEEE，纽约（2003）
[22] Trafalis，T.，Alwazzi，S.：稳健支持向量回归及其应用。收录于：Dagli，C.、Buczak，A.、Ghosh，J.、Embrechts，M.、Ersoy，O.、Kerc，S.（编辑）《通过人工神经网络的智能工程系统》，第13卷，第181-186页。ASME，纽约（2003）
[23] Trafalis，T.B.，Oladunni，O.，Papavassiliou，D.V.：使用多分类SVM模型进行两相流型识别。工业工程化学。第44、4414–4426号决议（2005年）·doi:10.1021/ie048973l
[24] Trafalis，T.、Santosa，B.、Richman，M.：使用基于核的方法检测龙卷风。摘自：Dagli，C.、Buckak，A.、Ghosh，J.、Embrechts，M.、Ersoy，O.、Kerc，S.（编辑）《通过人工神经网络的智能工程系统》13，第677-682页。ASME，纽约（2003）
[25] Vapnik，V.：统计学习理论。威利，纽约（1998）·Zbl 0935.62007号
[26] Weston，J.，Watkins，C.：用于多类模式识别的支持向量机。摘自：第七届欧洲人工神经网络研讨会论文集，第219-224页（1999）
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。