مدل بهینه سازی برای مساله ماشین بردار پشتیبان با تابع جریمه تکه ای خطی

ماشین بردار پشتیبان (SVM)، یکی از رویکردهای موفق در حل مسائل دسته بندی است و از جنبه مدل سازی، تاکنون توسعه های مختلفی برای آن مطرح شده است. این مقاله، به ارائه یک مدل بهینه سازی جدید برای مساله SVM می پردازد که در آن از تابع تکه ای خطی محدب به عنوان تابع جریمه استفاده می گردد که می تواند هنگامی که داده های مساله دچار نویز هستند، مفید واقع شود. همچنین، برای تنظیم پارامترهای مدل، روش فراابتکاری ازدحام جمعی ذرات پیشنهاد می شود. نتایج محاسباتی روی طیفی از داده های واقعی نشان می دهند که در مقایسه با مدل کلاسیک SVM، بکارگیری مدل جدید به طور متوسط مقدار شاخص‎ های دقت و امتیاز-F روی داده های آزمایشی را به ترتیب به میزان۰.۹۵ و ۴.۶ درصد بهبود می دهد. همچنین، در مقایسه با مدل وزن دار SVM، مدل جدید منجر به بهبود ۴.۲ و ۴.۳ درصدی به ترتیب در مقادیر شاخص های مذکور خواهد شد.