Resumen

La regresión lineal (LR) y sus variantes han sido ampliamente utilizadas para problemas de clasificación. Sin embargo, generalmente predeterminan una matriz de etiquetas binarias estrictas que no tienen libertad para ajustarse a las muestras. Además, no pueden hacer frente a aplicaciones del mundo real complejas como el reconocimiento facial, donde las muestras pueden no ser linealmente separables debido a poses variables, expresiones y condiciones de iluminación. Por lo tanto, en este artículo proponemos el método de regresión lineal con arrastre negativo de kernel (KNDLR) para una clasificación robusta en datos ruidosos y no lineales. En primer lugar, se introduce una técnica llamada arrastre negativo para relajar las etiquetas de clase, la cual se integra en el modelo de LR para la clasificación a fin de tratar adecuadamente el margen de clase de las regresiones lineales convencionales y obtener un resultado robusto. Luego, los datos se mapean implícitamente en un espacio de kernel de alta dimensión utilizando el mapeo no lineal determinado por una función de

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:Regresión lineal; Problemas de clasificación; Regresión lineal con arrastre negativo de kernel; Clasificación robusta; Datos ruidosos y no lineales; Sobreajuste
• Keywords:Linear regression; Classification problems; Kernel negative dragging linear regression; Robust classification; Noisy and nonlinear data; Overfitting