La máquina de vectores soporte por mínimos cuadrados (LS-SVM) es una potente herramienta para la clasificación de patrones y la estimación de regresiones. Sin embargo, LS-SVM es sensible a grandes ruidos y valores atípicos, ya que emplea la función de pérdida al cuadrado. Para resolver el problema, en este artículo proponemos una función de pérdida de desviación absoluta para reducir los efectos de los valores atípicos y derivar un modelo de regresión robusto denominado regresión de vectores de soporte de desviación absoluta mínima (LAD-SVR). La función de pérdida propuesta no es diferenciable. La aproximamos construyendo una función suave y desarrollamos un algoritmo de Newton para resolver el modelo robusto. Experimentos numéricos con conjuntos de datos artificiales y de referencia demuestran la solidez y eficacia del método propuesto.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un Análisis de Error A Posteriori para un Método de Multiplicadores de Lagrange para un Modelo de Interacción de Estructura Fluido-Poroelástica Stokes/Biot
Artículo:
Desigualdades óptimas entre varios medios de dos argumentos
Artículo:
Un análisis de un modelo de población semélpara con fecundidad dependiente de la densidad y probabilidades de supervivencia dependientes de la densidad.
Artículo:
Características Mecánicas del Carbón y la Roca en Minería bajo Acoplamiento Térmico-Hidráulico-Mecánico y Control Dinámico de Desastres
Artículo:
La solución de un sistema no lineal acoplado que surge en un flujo rotativo tridimensional utilizando el método de spline.