.png){kind=icon}
返回
Robust kernel-free double well potential twin support vector regression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127971.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
双支持向量回归（TSVR）相较于支持向量回归（SVR）已展现出更优越的计算效率，并已在多个领域得到广泛应用。然而，由于采用了L2范数损失函数，TSVR的性能可能因异常值而显著下降。为解决此问题，我们提出了一种鲁棒的无核四次曲面TSVR模型，通过利用一种新型鲁棒损失函数和双势阱（DWP）函数。所提出的鲁棒损失函数通过一个旨在抵抗异常值的超参数，结合了L1和L2范数损失函数。所提出的双势阱TSVR（DWPTSVR）首次将无核DWP函数的应用扩展至TSVR中。与需要耗时核参数搜索的传统核方法不同，所提出的DWPTSVR模型通过预定义非线性曲面消除了这一步骤。大量实验结果表明，在包含不同类型异常值的十个人工数据集和八个基准数据集上，所提出的DWPTSVR在准确性和鲁棒性方面均优于以往成熟的基于核或无核的SVR和TSVR模型。敏感性分析结果显示，结合了L1和L2范数损失函数的所提DWPTSVR模型显著优于仅使用L1或L2范数损失函数的模型。此外，所提出的DWPTSVR模型已在两个时间序列数据集和三个大规模真实数据集上成功应用。另外，还开发了一个高效的DWPTSVR版本以处理大规模高维数据集。
Keyword:
Twin support vector regression
Robust regression
Outliers
Kernel-free
Double well potential function
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Robust kernel-free support vector regression based on optimal margin distribution基于最优边际分布的鲁棒无核支持向量回归机
PREAI
分享收藏Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods使用机器学习方法预测基本负荷运行的联合循环电厂的满负荷电功率输出
PREAI
分享收藏分享收藏分享收藏
查看更多内容