文件名称：通过支持向量机进行鲁棒分类-研究论文
文件大小：446KB
文件格式：PDF
更新时间：2024-06-09 08:08:41
support vector machine robust classification
任何支持向量机分类器的损失函数选择都因缺乏铰链损失的鲁棒性而在文献中引起了极大兴趣，而铰链损失是标准损失选择。 在本文中，我们计划通过保持Hinge损失的整体优势而不是修改此标准选择来增强二元分类器。 我们提出了在数据不确定性下的两个鲁棒分类器。 第一种称为单一扰动SVM（SP-SVM），它通过允许对数据的一个特征进行受控扰动来提供一种建设性的方法。 第二种方法称为极端经验损失SVM（EEL-SVM），它基于新的经验损失估计值，即极端经验损失（EEL），它更加强调极端违反分类超平面，而不是对于所有超飞机违规行为，取同等重要性的通常样本平均值。 广泛的数值研究揭示了两个鲁棒的分类器在模拟数据和众所周知的真实数据集上的优势。