استواری در برابر دادههای پرت در رویکرد دسته بندیSVM

رویکرد ماشین بردار پشتیبان (SVM) با تابع زیان هینگ یک روش شناخته شده و موفق برای حل مسائل دسته بندی است اما ضعف این رویکرد حساسیت آن نسبت به دادههای پرت است در راستای برطرف نمودن این ضعف در ادبیات موجود دو تابع زیان جدید به نام زیان رمپ و زیان حاشیه سخت مطرح و مدل SVM بر اساس آنها توسعه داده شده و در قالب دو مدل برنامه ریزی عدد صحیح آمیخته غیر خطی (MINLP) فرمول بندی شده است. مدلهای جدید نه تنها برای دسته بندهای خطی قابل استفاده اند بلکه امکان لحاظ کردن کرنل در آنها فراهم است در این مقاله به بررسی این مدلها میپردازیم امکان لحاظ کردن کرنل را در آنها تحقیق میکنیم و آنها را روی طیف گسترده ای از دادههای تولید شده با شبیه سازی و نیز دادههای واقعی برگرفته از ادبیات پیاده سازی می نماییم و در مقایسه با تابع زیان ،هینگ اهمیت توابع زیان رمپ و حاشیه سخت را در رویارویی با دادههای پرت ارزیابی مینماییم ،همچنین با توجه به آن که اندازه مدلهای MINLP با افزایش تعداد ویژگیها و تعداد داده ها به شدت زیاد میشود برای حل نمونه های بزرگ این مسائل به ارائه روش حل می پردازیم.

کلیدواژه ها:

ماشین بردار پشتیبان زیان ، رمپ زبان حاشیه سخت برنامه ریزی عدد صحیح آمیخته درجه دوم ، کرنل