.png){kind=icon}
返回
$$L_1$$ -norm nonparallel hyperplane support vector quantile regression
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03278-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决高维数据集中异质性和非对称性下的特征选择问题，本文提出了一种基于$$L_1$$范数的非平行超平面支持向量分位数回归（$$L_1$$-NHSVQR）模型。该模型引入分位数参数以捕捉数据分布中的异质性，并同时构建两条非平行上下回归函数以反映各分位数水平上的非对称性。与稀疏孪生支持向量回归不同，$$L_1$$-NHSVQR在训练和测试过程中保持一致性。此外，$$L_1$$范数正则化项赋予模型固有的特征选择能力。实验结果表明，$$L_1$$-NHSVQR不仅能识别相关特征，还能全面捕捉数据中的异质性和非对称性。
Keyword:
Support vector machine
support vector regression
feature selection
nonparallel hyperplane
L_1 -norm regularization
quantile regression
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K