?
Robust generalized eigenvalue classifier with ellipsoidal uncertainty
Неопределенность – это понятие, которое ассоциируется со сбором данных и анализом, обычно возникающим в форме ошибки шума или измерения, часто из-за определенных технологических ограничений. В обучении под контролем неточность влияет на правильность классификации и дает низкое качество решений. По этой причине необходимо развивать алгоритмы обучения с помощью машин, способных эффективно обрабатывать данные с неточностью. В данной статье мы изучаем эту проблему с точки зрения надежной оптимизации. Мы принимаем во внимание контролируемый алгоритм обучения, основанный на обобщенном собственном значении, и предлагаем надежную дополнительную формулировку и решение в случае эллипсоидального множества неточностей. Мы демонстрируем производительность предложенной надежной схемы на искусственных и контрольных множествах данных из хранилища машинного обучения университета Калифорнии (UCI), а также мы сравниваем результаты целенаправленного внедрения опорных векторов машин.