• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural processing letters >Robust Support Vector Regression in Primal with Asymmetric Huber Loss
【24h】

Robust Support Vector Regression in Primal with Asymmetric Huber Loss

机译：强大的支持向量回归在原始的不对称休贝损失

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

As real world data sets in general contain noise, construction of robust regression learning models to fit data with noise is an important and challenging research problem. It is all the more difficult to learn regression function with good generalization performance for input samples corrupted by asymmetric noise and outliers. In this work, we propose novel robust regularized support vector regression models with asymmetric Huber and e-insensitive Huber loss functions leading to strongly convex minimization problems in simpler form whose solutions are obtained by simple functional iterative method. Numerical experiments performed on (1) synthetic data sets with different noise models and having outliers; (2) real world data sets, clearly show the effectiveness and applicability of the proposed support vector regression models with asymmetric Huber loss.
机译：由于现实世界数据集中一般包含噪声，建设强大的回归学习模型，以符合噪音的数据是一个重要和具有挑战性的研究问题。从不对称噪声和异常值损坏的输入样本，学习回归功能越来越难以学习回归功能。在这项工作中，我们提出了具有不对称HUBER和E-Imperitive Huber损失功能的新型强大的正则化支持向量型号，以简单的形式强烈凸显最小化问题，其解决方案是通过简单的功能迭代方法获得的。用不同噪声模型的（1）合成数据集进行数值实验，具有异常值; （2）现实世界数据集，清楚地展示了所提出的支持向量回归模型的有效性和适用性，不对称Huber损失。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号