10.19734/j.issn.1001-3695.2019.12.0666
基于ML loss的SVM分类算法
SVM的损失函数可以保证分类结果的高置信度,但同时是一个无界的凸函数,导致受噪声的影响较大.为了提高SVM在噪声环境下的分类效果,提出使用结合了pinball和LS损失函数的ML loss来降低对噪声的敏感性,将其应用到SVM中得到MLSVM模型.根据LS损失函数具有结构风险最小化的特性和等式约束来简化求解过程,然后使用pinball损失函数根据分类样本之间的最大分位数距离来确定分类超平面,再使用拉格朗日函数等方法求解MLSVM的目标函数和分类超平面.在数据集上的实验表明,相比于hinge SVM等模型,MLSVM可以降低对数据中噪声的敏感性,提升对含噪数据的分类性能.
支持向量机(SVM)、损失函数、噪声、pinball、LS、ML loss、MLSVM
38
TP301.6(计算技术、计算机技术)
国家自然科学基金资助项目16K10439
2021-03-09(万方平台首次上网日期,不代表论文的发表时间)
共5页
435-439