彭巴特·皮亚达;查拉姆贾克，Watcharaporn 变分包含问题的一种新投影算法及其在宫颈癌疾病预测中的应用。 （英语） Zbl 07797205号 J.计算。申请。数学。 441，文章ID 115702，第11页（2024）. 摘要：本文提出了一种新的投影算法，用于求解希尔伯特空间中在适当条件下表现出弱收敛性的变分包含问题。此外，我们将我们的算法应用于使用宫颈癌行为风险数据集的数据分类。从准确性、精确性、召回率和F1-核心与其他文献进行了比较。在求解不同范数的正则化最小二乘问题时，我们提出的算法比其他基准技术具有更好的性能。 MSC公司： 47华夏 非线性算子及其性质 90立方厘米 数学编程 47Jxx型 涉及非线性算子的方程和不等式 关键词：变分包含;弱收敛;希尔伯特空间;分类;极限学习机;交叉熵 软件：UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit｛P.Peeyada｝和\textit｛W.Cholamjiak｝，J.Comput。申请。数学。441，文章ID 115702，11 p.（2024；Zbl 07797205） 全文： 内政部 参考文献： [1] 杜奇，J。；Singer，Y.，《使用正向-反向分裂的高效在线和批量学习》。J.马赫。学习。研究，2899-2934（2009）·Zbl 1235.62151号 [2] Peeyada，P。；苏帕拉图拉通，R。；Cholamjak，W.，变分包含问题的惯性mann前向-后向分裂算法及其应用。混沌孤子分形（2022）·Zbl 1505.65210号 [3] Padcharoen，A。；Kitkuan，D。；库玛姆，W。；Kumam，P.，Tseng用惯性方法解决包含问题，并应用于图像去模糊和图像恢复问题。计算。数学。方法医学（2021） [4] Raguet，H。；法迪利，J。；Peyré，G.，广义前向-后向分裂。SIAM J.图像。科学。，1199-1226 (2013) ·Zbl 1296.47109号 [5] Lorenz，D.A。；Pock，T.，单调包含的惯性前向后退算法。数学杂志。成像视觉，311-325（2015）·Zbl 1327.47063号 [6] 马里诺，G。；Xu，H.K.，广义近点算法的收敛性。Commun公司。纯应用程序。分析。，791 (2004) ·Zbl 1095.90115号 [7] Alvarez，F。；Attouch，H.，通过具有阻尼的非线性振荡器的离散化来求解单调算子的一种惯性近似方法。设定值分析。，3-11 (2001) ·Zbl 0991.65056号 [8] López，G。；马丁·马尔克斯，V。；Wang，F。；Xu，H.K.，Banach空间中增生算子的前向-后向分裂方法。文章摘要。申请。分析。(2012) ·Zbl 1252.47043号 [9] Goebel，K。；Kirk，W.A.，《度量不动点理论专题》（1990），剑桥大学出版社：剑桥大学出版社·兹比尔0708.47031 [10] Bauschke，H.H。；组合，P.L.，凸分析和Hilbert空间中的单调算子理论·Zbl 1218.47001号 [11] Degirmenci，A。；Karal，O.，评价支持向量机分类在疣治疗方法成功中的核效应。《美国工程师研究评论》，238-244（2018） [12] 卡拉尔。，EKG verilerin destek vektör regression-yöntemiyle sktrlmasss。Gaziüniversitesi Mühendislik Mimarlík Fakültesi Dergisi，743-756（2018） [13] 阿帕丁，M。；尤穆什，M。；艾尔门奇。；卡拉尔。，使用汉城气象数据，使用机器学习回归方法评估气温。Pamukkaleüniversitesi Mühendislik Bilimleri Dergisi，737-747（2022） [14] Hatipoólu，О。；医学硕士贝尔格拉特。；Degirmenci，A。；卡拉尔。，通过（k）-最近邻回归分析预测土耳其的失业率，1-5 [15] Degirmenci，A。；Karal，O.，基于数据流中新度量的稳健增量异常值检测方法。IEEE接入（2021） [16] Degirmenci，A。；Karal，O.，《数据流中基于密度和聚类的高效增量离群点检测》。信息。科学。，901-920 (2022) [17] Degirmenci，A。；Karal，O.，iMCOD：数据流中的增量多类离群值检测模型。知识-基于系统。(2022) [18] 马赫穆德，R。；Wijaya，A.，使用机器学习算法基于行为决定的宫颈癌早期检测。高级科学。莱特。，3120-3123 (2016) [19] UCI机器学习库：宫颈癌行为风险数据集。https://archive.ics.uci.edu/ml/datasets/Cervical网站+癌症+行为+风险 [20] 黄，G.B。；朱庆云。；Siew，C.K.，《极限学习机器：理论与应用》。神经计算，489-501（2006） [21] Wardhani，N.W.S。；罗查亚尼，M.Y。；艾瑞尼，A。；Sulistyono，A.D。；Lestantyo，P.，评估不平衡数据分类性能的交叉验证指标，14-18 [22] Ho，Y。；Wookey，S.，《现实中的重量交叉熵损失函数：错误标记的成本建模》。IEEE接入，4806-4813（2019） [23] 加马拉共和国。；内拉·R·Q。；Recto，K.H.A.，使用人工神经网络进行基于行为的早期宫颈癌风险检测，1-6 [24] 阿克特，L。；伊斯兰，M.M。；Al-Rakhami，M.S。；Haque，M.R.，使用机器学习技术从行为风险预测宫颈癌。序列号计算。科学。，1-10 (2021) [25] Ratul，I.J。；Al-Monsur，A。；Tabassum，B。；Ar-Rafi，A.M。；Nishat，M.M。；Faisal，F.，《宫颈癌早期风险预测：机器学习方法》，1-4 [26] 塔拉奇，F。；Ozkan，I.A.，kNN和WKNN算法的分类性能比较。塞尔库克大学工程科学专业。，32-37 (2021) [27] 加尼姆，S。；服装设计师，R。；Gregori，P.，一种基于关联规则的准确且易于解释的二元分类器，使用隐含强度和多数投票。数学，1315（2021） [28] Degirmenci，A.，kNN、随机森林和SVM在预测宫颈癌行为风险方面的性能比较。国际J.Innov。科学。技术研究。，71-79 (2022) 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。