@article { author = {Sahleh, Ali and Salahi, Maziar and Eskandari, Sadegh}, title = {An improvement on twin parametric-margin support vector machine}, journal = {Journal of Decisions and Operations Research}, volume = {7}, number = {4}, pages = {503-514}, year = {2022}, publisher = {Ayandegan Institute of Higher Education, Tonekabon, Iran}, issn = {2538-5097}, eissn = {2676-6159}, doi = {10.22105/dmor.2021.281369.1372}, abstract = {Purpose: The aim of this paper is to present an enhanced variant of Twin Parametric-Margin Support Vector Machine (TPMSVM) that improves classification performance.Methodology: By replacing a variable in the objective function, we keep the samples of one class farther from the parametric margin hyperplane of the other class.Findings: The enhanced model is convex for both linear and nonlinear cases. Also, numerical experiments on UCI datasets show that the enhanced model performs better compared to two similar models for both linear and nonlinear cases.Originality/Value:  The previous studies of TPMSVM that increased the accuracy through approaches such as assigning weights to data sample, converting it into an unconstrained model and adding a new term in the objective function, did not guarantee that all samples will be far and on the negative side of the margin hyperplane. However, this study provides an approach to overcome this disadvantage of TPMSVM.  }, keywords = {Twin SVM,Heteroscedastic noise model,Classification,Parametric-margin model}, title_fa = {بهبودی در ماشین بردار پشتیبان دوگانه حاشیه-پارامتری}, abstract_fa = {هدف: هدف در این مقاله ارایه یک نوع بهبودیافته از مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری به‌منظور بهبود عملکرد کلاس‌بندی است.روش‌شناسی پژوهش: با جایگزین کردن متغیر جدید در تابع هدف، نقاط یک کلاس از ابرصفحه حاشیه-پارامتری کلاس دیگر تا جای ممکن دور می‌شود.یافته‌ها: مدل بهبودیافته  در هر دو حالت خطی و غیرخطی محدب است. همچنین آزمایش‌های عددی بر روی داده‌های  کتابخانه‌ای UCI نشان دهنده عملکرد بهتر مدل پیشنهادی در مقایسه با دو مدل مشابه در مقایسه با دو مدل مشابه در حالت‌های خطی و غیرخطی از نظر دقت است.اصالت/ارزش افزوده علمی: مطالعات قبلی انجام شده در مدل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری که از طریق روش‌های مانند وزن‌دار کردن داده‌ها، تبدیل کردن  آن به  مدل نامقید و یا اضافه کردن عبارت جدید در تابع هدف دقت مسئله را افزایش می‌دهند، تضمین‌کننده دور بودن تمام نقاط از ابرصفحه و قرار داشتن آن‌ها در نیم فضای منفی نیستند؛ اما این بررسی  یک رویکرد جدید برای رفع این مشکل ماشین بردار پشتیبان دوگانه حاشیه-پارامتری ارایه می‌دهد. }, keywords_fa = {ماشین بردار پشتیبان دوگانه,مدل واریانس ناهمگن,کلاس‌بندی,مدل حاشیه-پارامتری}, url = {https://www.journal-dmor.ir/article_138136.html}, eprint = {https://www.journal-dmor.ir/article_138136_03dd24afed6136587718595a358411b5.pdf} }