新型鲁棒孪生支持向量回归机

回归问题是模式识别与机器学习领域的基本问题之一，孪生支持向量回归机（TSVR）是在支持向量回归机（SVR）基础上发展而来的一种处理回归问题的新算法，它在处理无噪声数据时表现出较好的性能，但在处理有噪声数据时往往性能不佳。为了降低噪声对孪生支持向量回归机性能的影响，结合ε-不敏感损失函数与Huber损失函数构造了混合Hε损失函数，该损失函数可以有效地适应于不同分布类型的噪声；然后基于混合Hε损失函数和结构风险最小化（SRM）原则提出了一种鲁棒的孪生支持向量回归机（Hε-TSVR），并在原始空间中利用牛顿迭代法求解模型。分别在有噪声和无噪声的人工数据集、UCI数据集上进行实验，与支持向量回归机和孪生支持向量回归机等算法比较，实验结果验证了所提算法的有效性。