Resumen

Este documento estudia la selección de características para la máquina de vectores de soporte (SVM). Mediante el uso de la técnica de regularización, proponemos un nuevo modelo -SVM. Para resolver este problema de optimización no convexo y no Lipschitz, primero lo transformamos en un modelo de optimización cuadrática equivalente con función objetivo lineal y luego desarrollamos un algoritmo de punto interior. Establecemos la convergencia del algoritmo propuesto. Nuestras experimentaciones con datos artificiales y reales demuestran que el modelo -SVM funciona bien y que el algoritmo propuesto es más efectivo que algunos métodos populares en la selección de características relevantes y la mejora del rendimiento de clasificación.

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Máquina de vectores de soporte; Selección de características; Técnica de regularización; Modelo SVM; Optimización no convexa; Algoritmo de punto interior
• Keywords:Support vector machine; Feature selection; Regularization technique; SVM model; Nonconvex optimization; Interior point algorithm