Resumen

La solución de una máquina de vectores de soporte por mínimos cuadrados (LS-SVM) sufre el problema de la falta de especificidad. La aproximación por mínimos cuadrados hacia delante (FLSA) es un algoritmo de aproximación codicioso con una función de pérdida por mínimos cuadrados. Este artículo propone una nueva máquina de vectores soporte para la que el FLSA es el algoritmo de entrenamiento: la SVM de aproximación por mínimos cuadrados hacia delante (FLSA-SVM). Una novedad importante de esta nueva FLSA-SVM es que el número de vectores de soporte es el parámetro de regularización para ajustar el compromiso entre la capacidad de generalización y el coste de entrenamiento. Las FLSA-SVM también pueden detectar las dependencias lineales en los vectores de la matriz Gramian de entrada. Estos atributos contribuyen a su extrema escasez. Se presentan experimentos con conjuntos de datos de referencia que muestran que, en comparación con varios algoritmos SVM, la FLSA-SVM es extremadamente compacta, al tiempo que mantiene una capacidad de generalización competitiva.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:flsa, svm, forward least squares approximation, forward least squares approximation svm, máquina de vectores soporte de mínimos cuadrados, nueva máquina de vectores soporte, capacidad de generalización competitiva, algoritmo de aproximación codicioso, función de pérdida de mínimos cuadrados, varios algoritmos svm
• Keywords:flsa, svm, forward least squares approximation, forward least squares approximation svm, least squares support vector machine, new support vector machine, competitive generalization ability, greedy approximation algorithm, squares loss function, various svm algorithms