Inverse Free Universum Twin Support Vector Machine

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F21%3A10437045" target="_blank" >RIV/00216208:11320/21:10437045 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-030-92121-7_21" target="_blank" >https://doi.org/10.1007/978-3-030-92121-7_21</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-92121-7_21" target="_blank" >10.1007/978-3-030-92121-7_21</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Inverse Free Universum Twin Support Vector Machine

Popis výsledku v původním jazyce

Universum twin support vector machine (U -TSVM) is an efficient method for binary classification problems. In this paper, we improve the U -TSVM algorithm and propose an improved Universum twin bounded support vector machine (named as IUTBSVM). Indeed, by introducing a different Lagrangian function for the primal problems, we obtain new dual formulations so that we do not need to compute inverse matrices. Also to reduce the computational time of the proposed method, we suggest smaller size of the rectangular kernel matrices than the other methods. Numerical experiments on several UCI benchmark data sets indicate that the IUTBSVM is more efficient than the other three algorithms, namely U -SVM, TSVM, and U -TSVM in sense of the classification accuracy. (C) 2021, Springer Nature Switzerland AG.

Název v anglickém jazyce

Inverse Free Universum Twin Support Vector Machine

Popis výsledku anglicky

Universum twin support vector machine (U -TSVM) is an efficient method for binary classification problems. In this paper, we improve the U -TSVM algorithm and propose an improved Universum twin bounded support vector machine (named as IUTBSVM). Indeed, by introducing a different Lagrangian function for the primal problems, we obtain new dual formulations so that we do not need to compute inverse matrices. Also to reduce the computational time of the proposed method, we suggest smaller size of the rectangular kernel matrices than the other methods. Numerical experiments on several UCI benchmark data sets indicate that the IUTBSVM is more efficient than the other three algorithms, namely U -SVM, TSVM, and U -TSVM in sense of the classification accuracy. (C) 2021, Springer Nature Switzerland AG.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

50201 - Economic Theory

Projekt

<a href="/cs/project/GA18-04735S" target="_blank" >GA18-04735S: Nové přístupy pro relaxační a aproximační techniky v deterministické globální optimalizaci</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Learning and Intelligent Optimization

ISBN

978-3-030-92120-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

13

Strana od-do

252-264

Název nakladatele

Springer Science and Business Media Deutschland GmbH

Místo vydání

Cham, Switzerland

Místo konání akce

Athens

Datum konání akce

20. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—