Resumen

Se propone un nuevo marco de aprendizaje de máquinas de vectores de soporte de hiperplanos no paralelos (NPSVMs) para clasificación binaria y clasificación multiclase. Este marco no solo incluye el SVM gemelo (TWSVM) y sus muchas versiones de deformación, sino que también las extiende al problema de clasificación multiclase cuando se eligen diferentes parámetros o funciones de pérdida. Concretamente, discutimos los casos lineales y no lineales del marco, en los que seleccionamos la función de pérdida bisagra como ejemplo. Además, también presentamos los problemas primales de varias versiones de extensión de las versiones de deformación de TWSVM. Cabe mencionar que, en la función de decisión, la distancia euclidiana es reemplazada por el valor absoluto, lo que mantiene la consistencia entre la función de decisión y el problema de optimización y reduce el costo computacional, especialmente cuando se introduce la función de kernel. Los experimentos numéricos en varios conjuntos de datos artificiales y de referencia indican que nuestro mar

• Materias:Internet de las cosas Inteligencia artificial Contaminantes atmosféricos Sistema biométrico Aplicaciones
• Subjects:Internet of things Artificial intelligence Air pollutants Biometric system Applications
• Palabras claves:Marco de aprendizaje; Máquinas de vectores de soporte con hiperplanos no paralelos; NPSVMs; Clasificación multiclase; SVM gemelos; TWSVM
• Keywords:Learning framework; Nonparallel hyperplanes support vector machines; NPSVMs; Multiclass classification; Twin SVM; TWSVM