دانلود مقاله ISI انگلیسی شماره 46745
عنوان فارسی مقاله

آموزش رگرسیون بردار پشتیبان لاگرانژی دوقلو از طریق حداقل سازی محدب نامحدود

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
46745 2014 12 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Training Lagrangian twin support vector regression via unconstrained convex minimization
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Knowledge-Based Systems, Volume 59, March 2014, Pages 85–96

کلمات کلیدی
روشهای تکراری بر مبنای گرادیان - تقریب صاف - پشتیبانی از رگرسیون بردار - رگرسیون بردار پشتیبان دوقلو - حداقل سازی محدب نامحدود
پیش نمایش مقاله
پیش نمایش مقاله آموزش رگرسیون بردار پشتیبان لاگرانژی دوقلو از طریق حداقل سازی محدب نامحدود

چکیده انگلیسی

In this paper, a new unconstrained convex minimization problem formulation is proposed as the Lagrangian dual of the 2-norm twin support vector regression (TSVR). The proposed formulation leads to two smaller sized unconstrained minimization problems having their objective functions piece-wise quadratic and differentiable. It is further proposed to apply gradient based iterative method for solving them. However, since their objective functions contain the non-smooth ‘plus’ function, two approaches are taken: (i) either considering their generalized Hessian or introducing a smooth function in place of the ‘plus’ function, and applying Newton–Armijo algorithm; (ii) obtaining their critical points by functional iterative algorithm. Computational results obtained on a number of synthetic and real-world benchmark datasets clearly illustrate the superiority of the proposed unconstrained Lagrangian twin support vector regression formulation as comparable generalization performance is achieved with much faster learning speed in accordance with the classical support vector regression and TSVR.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.