آزاد سازی لاگرانژ برای انتخاب ویژگی با استفاده از SMV

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

آزاد سازی لاگرانژ برای انتخاب ویژگی با استفاده از SMV

عنوان لاتین

Lagrangian relaxation for SVM feature selection

ما درباره روش های هیوریستیک (ابتکاری) مبتنی بر آزاد سازی لاگرانژ برای انتخاب ویژگی در چهارچوب روش ماشین بردار پشتیبان به منظور طبقه بندی باینری (دو دویی) بحث می کنیم. به خصوص، تابع هدف مان را یک ترکیب وزندار از L0و L1 نرم های نرمال تا اَبَرصفحه تفکیک کننده در نظر می گیریم. ما یک مساله برنامه ریزی خطی باینری مختلط که برای روش آزاد سازی لاگرانژ مناسب است را معرفی و بررسی می کنیم. بر اساس خواص تنظیم کننده افزاینده (ضرب کننده) بهینه، از یک الگوریتم صعود بهینه سازی ناهموار (غیر صاف) تلفیقی را برای حل مساله دو گانه لاگرانژ استفاده می کنیم. در روش پیشنهادی در هر گام صعود، هم حد پایین تر پاسخ بهینه و هم یک پاسخ محتمل با هزینه محاسبات اندک بدست می آوریم. نتایج آزمایش های عددی انجام شده بر روی برخی از مجموعه داده های معیار نیز در ادامه نشان داده شد اند.

We discuss a Lagrangian-relaxation-based heuristics for dealing with feature selection in the Support Vector Machine (SVM) framework for binary classification. In particular we embed into our objective function a weighted combination of the L 1 and L 0 norm of the normal to the separating hyperplane. We come out with a Mixed Binary Linear Programming problem which is suitable for a Lagrangian relaxation approach. Based on a property of the optimal multiplier setting, we apply a consolidated nonsmooth optimization ascent algorithm to solve the resulting Lagrangian dual. In the proposed approach we get, at every ascent step, both a lower bound on the optimal solution as well as a feasible solution at low computational cost. We present the results of our numerical experiments on some benchmark datasets.