مدل بهینه‌سازی برای مساله ماشین بردار پشتیبان با تابع جریمه تکه‌ای خطی

ماشین بردار پشتیبان (svm)، یکی از رویکردهای موفق در حل مسائل دسته‌بندی است و از جنبه مدل‌سازی، تاکنون توسعه‌های مختلفی برای آن مطرح شده است. این مقاله، به ارائه یک مدل بهینه‌سازی جدید برای مساله svm می‌پردازد که در آن از تابع تکه‌ای خطی محدب به عنوان تابع جریمه استفاده می‌گردد که می‌تواند هنگامی که داده‌های مساله دچار نویز هستند، مفید واقع شود. همچنین، برای تنظیم پارامترهای مدل، روش فراابتکاری ازدحام جمعی ذرات پیشنهاد می‌شود. نتایج محاسباتی روی طیفی از داده‌های واقعی نشان می‌دهند که در مقایسه با مدل کلاسیک svm، بکارگیری مدل جدید به طور متوسط مقدار شاخص‎‌های دقت و امتیاز-f روی داده‌های آزمایشی را به ترتیب به میزان0.95 و 4.6 درصد بهبود می‌دهد. همچنین، در مقایسه با مدل وزن‌دار svm، مدل جدید منجر به بهبود 4.2 و 4.3 درصدی به ترتیب در مقادیر شاخص‌های مذکور خواهد شد.