بهبود رگرسیون مبتنی بر بردار پشتیبان با استفاده از نظریه فازی ناهموار

رگرسیون ماشین بردار پشتیبان روشی است جهت تخمین یک تابع که ورودی ها را به یک فضای چند بعدی نگاشت می کند و در بحث های مدل سازی، پیش بینی سری های زمانی، فضاهای پیوسته و مسائل پیش بینی کاربردهای بسیاری دارد. دقت پیش بینی، وابسته به نمونه های یادگیری مدل است. نویز و داده های پرت، دقت پیش بینی مسائل را کاهش می دهند. کاهش ابعاد نمونه های یادگیری و هم چنین مقابله با مشکلات حساسیت به نویز، کنترل خطا و عدم قطعیت، منجر به بهبود این الگوریتم شده است. در این پژوهش تلاش شده است که نرخ خطا بهبود داده شود. در این مقاله از ترکیب رگرسیون ماشین بردار پشتیبان با نظریه فازی ناهموار، جهت کاهش فضای ابعاد نمونه ها و حذف داده های نویز و پرت استفاده شده است، تا ضمن کاهش خطای مدل پیشنهادی باعث کاهش زمان اجرا نیز بشود. نتایج حاصل توسط معیارهای آماری سنجیده شده است و مقایسه ی نتایج نشان می دهد که کاهش ابعاد فضای آموزش در رگرسیون ماشین بردار پشتیبان بر اساس نظریه فازی ناهموار در زمان، نسبت به الگوریتم های قبلی سریع تر همگرا شده و نتایج آزمایش ها نشان دهنده برتری روش پیشنهادی، نسبت به روش های مطرح مرز دانش از نظر معیارهای خطای SSE و NMSE است.