메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
이동주 (공주대학교) 최수진 (한국폴리텍 VII 대학 창원캠퍼스)
저널정보
한국산업경영시스템학회 산업경영시스템학회지 한국산업경영시스템학회지 제43권 제4호
발행연도
2020.1
수록면
107 - 115 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Support vector regression (SVR) is devised to solve the regression problem by utilizing the excellent predictive power of Support Vector Machine. In particular, the -insensitive loss function, which is a loss function often used in SVR, is a function thatdoes not generate penalties if the difference between the actual value and the estimated regression curve is within . In most studies, the -insensitive loss function is used symmetrically, and it is of interest to determine the value of . In SVQR (Support Vector Quantile Regression), the asymmetry of the width of and the slope of the penalty was controlled using the parameter p. However, the slope of the penalty is fixed according to the p value that determines the asymmetry of . In this study, a new ε-insensitive loss function with and parameters was proposed. A new asymmetric SVR called GSVQR (Generalized Support Vector Quantile Regression) based on the new ε-insensitive loss function can control the asymmetry of the width of and the slope of the penalty using the parameters and , respectively. Moreover, the figures show that the asymmetry of the width of and the slope of the penalty is controlled. Finally, through an experiment on a function, the accuracy of the existing symmetric Soft Margin, asymmetric SVQR, and asymmetric GSVQR was examined, and the characteristics of each were shown through figures.
#Epsilon Insensitive Loss Function #Machine Learning #Asymmetric Support Vector Regression

목차

등록된 정보가 없습니다.

참고문헌 (12)

참고문헌 신청
Anagha P. / 2018 / On robust twin support vector regression in primal using squared pinball loss / Journal of Intelligent and Fuzzy Systems 35(5):5231~5239 google schola Anand, P. / 2020 / A new asym-metric e-insensitive pinball loss function based support vector quantile regression model / Applied Soft Computing Journal 94:1~14 google schola Balasundaram, S. / 2020 / On pairing Huber support vector regression / Applied Soft Computing Jour- nal 97(Part B):1~16 google schola Huang, X. / 2014 / Support Vector Machine Classifier with Pinball Loss / IEEE Transactions on Pattern Analysis and Machine Intelligence 36(5):984~997 google schola 황창하 / 2011 / Asymmetric least squares regression estimation using weighted least squares support vector machine / 한국데이터정보과학회지 22(5):999~1005 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0