E-平滑支持向量回归研究及其与 E-支持向量回归和潜在支持向量机在预测噁唑啉和噁唑衍生物抗结核活性中的比较
计算工程、金融与科学
2013-12-13 v1 计算机科学中的逻辑
摘要
本研究提出了一种新的平滑方法，用于求解-支持向量回归（-SVR），该方法在非线性拟合给定数据集时允许存在微小误差。这是与传统线性规划相关的-不敏感支持向量回归的平滑无约束优化重构。我们将这一重新构建的问题称为-平滑支持向量回归（-SSVR）。本研究调查并比较了-SSVR 与其他方法（如 LIBSVM (-SVR) 和 P-SVM）的性能和预测能力。在本研究中，评估了两个噁唑啉和噁唑分子描述符数据集。一系列实验证明了我们要算法的优点。主要实验结果表明，我们提出的方法提高了回归性能和学习效率。在两个研究案例中，-SSVR 模型的预测能力与 LIBSVM 和 P-SVM 相当或更优。结果表明，-SSVR 可作为一种替代的强大建模方法用于回归研究。实验结果显示，所提出的-SSVR 算法在预测抗结核活性方面比 LIBSVM 和 P-SVM 更精确、更有效。
引用
@article{arxiv.1312.2867,
title = {Study Of E-Smooth Support Vector Regression And Comparison With E- Support Vector Regression And Potential Support Vector Machines For Prediction For The Antitubercular Activity Of Oxazolines And Oxazoles Derivatives},
author = {Doreswamy and Chanabasayya M. Vastrad},
journal= {arXiv preprint arXiv:1312.2867},
year = {2013}
}