Resumen

La SVM de aproximación por mínimos cuadrados hacia delante (FLSA) es una SVM de mínimos cuadrados (LS-SVM) de reciente aparición cuya solución es extremadamente dispersa. El algoritmo utiliza el número de vectores de soporte como parámetro de regularización y garantiza la independencia lineal de los vectores de soporte que abarcan la solución. En este trabajo se propone una variante del FLSA-SVM, el FLSA-SVM reducido, que reduce la complejidad computacional y los requisitos de memoria. Se introduce la estrategia de "herencia de contextos" para mejorar la eficiencia del ajuste del parámetro de regularización tanto para el algoritmo FLSA-SVM como para el RFLSA-SVM. Los resultados experimentales sobre conjuntos de datos de referencia mostraron que, en comparación con la SVM y varias de sus variantes, las soluciones RFLSA-SVM contienen un número reducido de vectores de soporte, al tiempo que mantienen una capacidad de generalización competitiva. Con respecto al coste de tiempo para ajustar el parámetro de regularización, el algoritmo RFLSA-SVM demostró empíricamente ser el más rápido en comparación con los algoritmos FLSA-SVM, LS-SVM y SVM.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:svm, flsa, vectores soporte, rflsa, número, algoritmos svm, parámetro de regularización, capacidades competitivas de generalización, solución, resultados experimentales
• Keywords:svm, flsa, support vectors, rflsa, number, svm algorithms, regularization parameter, competitive generalization abilities, solution, experimental results