Resumen

La máquina de vectores soporte por mínimos cuadrados (LS-SVM) es una potente herramienta para la clasificación de patrones y la estimación de regresiones. Sin embargo, LS-SVM es sensible a grandes ruidos y valores atípicos, ya que emplea la función de pérdida al cuadrado. Para resolver el problema, en este artículo proponemos una función de pérdida de desviación absoluta para reducir los efectos de los valores atípicos y derivar un modelo de regresión robusto denominado regresión de vectores de soporte de desviación absoluta mínima (LAD-SVR). La función de pérdida propuesta no es diferenciable. La aproximamos construyendo una función suave y desarrollamos un algoritmo de Newton para resolver el modelo robusto. Experimentos numéricos con conjuntos de datos artificiales y de referencia demuestran la solidez y eficacia del método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:función de pérdida, función de pérdida por desviación absoluta, regresión de vectores de soporte por desviación mínima absoluta, modelo de regresión robusto, svm, valores atípicos, mínimos cuadrados, algoritmo de newton, experimentos numéricos, conjuntos de datos artificiales
• Keywords:loss function, absolute deviation loss function, least absolute deviation support vector regression, robust regression model, svm, outliers, least squares, newton algorithm, numerical experiments, artificial datasets