Resumen

La regresión de vectores de soporte gemelos (TSVR) genera dos hiperplanos no paralelos resolviendo un par de problemas de menor tamaño en lugar de un único problema de mayor tamaño en la SVR estándar. Debido a su eficiencia, TSVR se aplica con frecuencia en diversas áreas. En este trabajo, proponemos una versión totalmente nueva de TSVR denominada Regresión de Vectores de Soporte de Superficies Cuadráticas Gemelas Lineales (LTQSSVR), que utiliza directamente dos superficies cuadráticas en el espacio original para la regresión. Cabe destacar que nuestro nuevo enfoque no sólo evita la tarea notoriamente difícil y lenta de buscar una función kernel adecuada y sus parámetros correspondientes en el método tradicional basado en SVR, sino que también consigue un mejor rendimiento de generalización. Además, para mejorar aún más la eficacia y robustez del modelo, introducimos la norma 1 para medir el error. La estructura de programación lineal del nuevo modelo evita la operación de inversión de matrices y permite resolver problemas de gran tamaño. Como sabemos, la capacidad de manejar problemas de gran tamaño es muy importante en la era de los grandes datos. Además, para verificar la eficacia y eficiencia de nuestro modelo, lo comparamos con algunos métodos bien conocidos. Los experimentos numéricos con 2 conjuntos de datos artificiales y 12 conjuntos de datos de referencia demuestran la validez y aplicabilidad de nuestro método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:tsvr, eficiencia, problema de tamaño, problemas de tamaño, regresión de vectores de soporte de superficie lineal gemela cuadrática, regresión de vectores de soporte gemela, conjuntos de datos artificiales, conjuntos de datos de referencia, mejor rendimiento de generalización, era de los grandes datos
• Keywords:tsvr, efficiency, sized problem, sized problems, linear twin quadratic surface support vector regression, twin support vector regression, artificial data sets, benchmark data sets, better generalization performance, big data era