Benchmarking Least Squares SVM Classifiers

[luis.negrete.g]

En Support Vector Machines (SVM), la solución del problema de clasificación se caracteriza por un problema de programación cuadrática (convexa) (QP). En una versión modificada de SVM, llamada mínimos cuadrados SVM clasificadores (LS-SVM), se propone una función de costo por mínimos cuadrados para obtener un conjunto lineal de ecuaciones en el espacio dual; si bien el clasificador SVM tiene una gran interpretación de margen, la formulación LS-SVM está relacionada en este papel a un enfoque de regresión cresta para la clasificación con objetivos binarios y discriminante lineal de Fisher, análisis en el espacio de características.
Los conjuntos de datos se utilizan para evaluar el rendimiento del conjunto de prueba de los clasificadores LS-SVM con lineales, polinomiales y radiales. Los núcleos de función de base (RBF). Tanto el clasificador SVM como el LS-SVM con kernel RBF en combinación con los procedimientos estándar de validación cruzada para la selección de hiperparámetros logran rendimientos comparables del conjunto de prueba.
Estas prestaciones de SVM y LS-SVM son consistentemente muy buenas cuando se comparan con una variedad de métodos descritos en la literatura incluyendo algoritmos basados ​​en árbol de decisión, algoritmos estadísticos y aprendizaje basado en instancias métodos.