نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه ریاضی کاربردی،دانشکده علوم ریاضی،دانشگاه گیلان، رشت، ایران.

2 گروه ریاضی کاربردی- دانشگاه گیلان

3 گروه علوم کامپیوتر- دانشگاه گیلان

10.22105/dmor.2021.281369.1372

چکیده

ماشین بردار پشتیبان دوگانه حاشیه-پارامتری یکی از مدل‌های موثر در یادگیری ماشین برای جداسازی داده‌های به خصوص داده‌های با اختلال ناهمگن است. در این مدل، هدف پیدا کردن دو ابرصفحه به طور غیرمستقیم از طریق دو ابرصفحه حاشیه‌ای غیر موازی با حل دو مسئله بهینه سازی درجه دوم مقید با ابعاد کمتر برای جداسازی داده‌ها است، به طوری که ابر صفحه هر کلاس از داده‌های کلاس دیگر در طرف نیم فضای منفی حاصل از ابرصفحه تا جای ممکن دور باشد. اما این عبارت تضمین کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آنها در نیم فضای منفی نیست. برای رفع این مشکل، در این مقاله یک نسخه بهبودیافته از آن ارائه می‌گردد که نقاط یک کلاس را از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن با جایگزین کردن متغیر جدید در تابع هدف دور می کند. آزمایش های عددی بر روی داده‌های کتابخانه‌ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در حالت‌های خطی و غیرخطی از نظر دقت است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An Improvement on Twin Parametric-Margin Support Vector Machine

نویسندگان [English]

  • Maziar Salehi 1
  • Ali Sahleh 2
  • Sadegh Eskandari 3

1 Department of Applied Mathematics, Faculty of Mathematical Sciences, Guilan University, Rasht, Iran.

2 Department of Applied Mathematics, University of Guilan

3 Computer Science Department, University of Guilan

چکیده [English]

Twin Parametric-Margin Support Vector Machine (TPMSVM) is one of the efficient tools in machine learning for binary classification especially for data with heteroscedastic noise. In this model, the goal is to find a pair of hyperplanes indirectly through a pair of nonparallel parametric-margin hyperplanes by solving two smaller sized quadratic programming problems for data classification such that each hyperplane is as far as possible from the samples of the other class in negative half-space made by a hyperplane. However, this does not guarantee that all of the samples will be far and be on the other side of the hyperplane. In this paper, we propose an enhancement of TPMSVM which keeps farther the samples of one class from the parametric margin hyperplane of other class by replacing a variable in the objective function. Numerical experiments on UCI datasets show that the enhanced model performs better compared to two similar models for both linear and nonlinear cases.

کلیدواژه‌ها [English]

  • Twin support vector machines
  • Heteroscedastic noise model
  • Classification
  • Parametric-margin model