双支持向量分位数回归
机器学习
2023-05-09 v1 机器学习
摘要
我们提出双支持向量分位数回归（TSVQR）以捕捉现代数据中的异质与非对称信息。利用分位数参数，TSVQR 有效刻画了关于所有数据点部分的异质分布信息。相应地，TSVQR 构造两个较小规模的二次规划问题（QPPs）以生成两个非平行超平面，用以度量各分位数水平下上下界之间的分布不对称性。TSVQR 中的 QPPs 比以往分位数回归方法中的更小且更易求解。此外，TSVQR 的对偶坐标下降算法也加快了训练速度。在六个人工数据集、五个基准数据集、两个大规模数据集、两个时间序列数据集和两个不平衡数据集上的实验结果表明，TSVQR 在完整捕捉异质与非对称信息的有效性及学习过程的效率方面均优于以往分位数回归方法。
引用
@article{arxiv.2305.03894,
title = {Twin support vector quantile regression},
author = {Yafen Ye and Zhihu Xu and Jinhua Zhang and Weijie Chen and Yuanhai Shao},
journal= {arXiv preprint arXiv:2305.03894},
year = {2023}
}