JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Una nueva máquina vectorial de soporte de doble margen paramétrico con pérdida neta elástica asimétrica limitada

  • 0College of Mathematics and Statistics, Chongqing University, Chongqing, 401331, China.
Neural Networks : the Official Journal of the International Neural Network Society +

|

21 de agosto de 2025

|

21 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este resumen es generado por máquina.

Introducimos una nueva máquina vectorial de soporte de margen paramétrico doble de red elástica asimétrica con tapa (CaEN-TPMSVM) para una clasificación mejorada. Este método mejora la robustez del ruido y logra velocidades de entrenamiento más rápidas en comparación con los algoritmos estándar de máquina vectorial de soporte (SVM).

Área De La Ciencia

  • Aprendizaje automático
  • Estadísticas computacionales
  • Reconocimiento de patrones

Sus Antecedentes

  • La máquina vectorial de soporte (SVM) es un algoritmo de clasificación clave.
  • La máquina vectorial de soporte de doble margen paramétrico (TPWSVM) ofrece eficiencia pero es sensible al ruido.
  • El TPWSVM convencional utiliza pérdida de bisagras, lo que causa inestabilidad.

Objetivo Del Estudio

  • Desarrollar un método de clasificación nuevo, resistente al ruido y eficiente.
  • Mejorar las limitaciones de los algoritmos TPWSVM existentes.
  • Mejorar la estabilidad y la velocidad de la clasificación de conjuntos de datos a gran escala.

Principales Métodos

  • Se propuso una máquina vectorial de soporte de margen paramétrico doble de red elástica asimétrica con tapa (CaEN-TPMSVM).
  • Pérdida neta elástica asimétrica limitada integrada en el marco TPWSVM.
  • Se ha realizado un análisis teórico de la convergencia y la estabilidad.

Principales Resultados

  • CaEN-TPMSVM demuestra una mejora en la robustez del ruido y la precisión de la clasificación.
  • Logró una aceleración de cuatro veces en la velocidad de entrenamiento en comparación con el SVM estándar.
  • Los estudios empíricos sobre conjuntos de datos sintéticos y UCI validaron el rendimiento.

Conclusiones

  • CaEN-TPMSVM ofrece una alternativa generalizada y robusta a las TPWSVM convencionales.
  • El método muestra una precisión de clasificación y una eficiencia computacional superiores.
  • Este avance es significativo para las aplicaciones de aprendizaje automático a gran escala.

Palabras clave:

Videos de Conceptos Relacionados

Regression Toward the Mean 01:52

6.5K

Regression toward the mean (“RTM”) is a phenomenon in which extremely high or low values—for example, and individual’s blood pressure at a particular moment—appear closer to a group’s average upon remeasuring. Although this statistical peculiarity is the result of random error and chance, it has been problematic across various medical, scientific, financial and psychological applications. In particular, RTM, if not taken into account, can interfere when...

Margin of Error 01:27

4.5K

The margin of error is also called the maximum error of an estimate. The margin of error is the maximum possible or expected difference between the observed sample parameter value and the actual population parameter value. For proportion, it is the maximum difference between the value of sample proportion obtained from the data and the true value of population proportion. As the true value of the population parameter is not known, the margin of error is calculated using the sample statistic.

Residuals and Least-Squares Property 01:11

7.8K

The vertical distance between the actual value of y and the estimated value of y. In other words, it measures the vertical distance between the actual data point and the predicted point on the line
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving 01:29

100

Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...

Prediction Intervals 01:03

2.3K

The interval estimate of any variable is known as the prediction interval. It helps decide if a point estimate is dependable.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y. 

One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for <em>k</em><sub>a</sub> Estimation 01:24

710

This lesson introduces two critical methods in pharmacokinetics, the Wagner-Nelson and Loo-Riegelman methods, used for estimating the absorption rate constant (ka) for drugs administered via non-intravenous routes. The Wagner-Nelson method relates ka to the plasma concentration derived from the slope of a semilog percent unabsorbed time plot. However, it is limited to drugs with one-compartment kinetics and can be impacted by factors like gastrointestinal motility or enzymatic degradation.
On...