TLS-SVOR：一种抗干扰的顺序回归算法

"截断误差的光滑型支持向量顺序回归" 本文主要探讨了一种名为截断误差的光滑型支持向量顺序回归（TLS-SVOR）的算法，该算法是针对支持向量顺序回归（SVOR）在处理序列回归问题时易受异常值干扰的问题而提出的改进方法。支持向量顺序回归是一种用于解决有序回归问题的有效工具，但在训练数据集中存在异常点或野点的情况下，其性能可能会显著下降。 TLS-SVOR算法的核心思想在于对训练样本中的误分类误差进行截断处理，即将误差限制在一个特定的范围内（0到u）。通过引入分段多项式来近似这些误差，可以平滑地处理超出预定范围的误差，从而降低异常值对模型的影响。同时，借鉴了光滑型支持向量机分类算法的思想，TLS-SVOR能够将优化问题转化为一个二次连续可微的无约束问题，这使得可以通过牛顿法直接求解得到唯一最优的决策超平面。 为了找到TLS-SVOR的最佳参数，文章采用了两阶段的均匀设计方法。这种方法可以有效地搜索参数空间，确保模型在各种可能的参数组合下都能达到最佳性能。实验结果显示，与其它顺序回归算法相比，TLS-SVOR在多个数据集上表现出更高的预测精度，证明了其对异常值的鲁棒性和预测能力的提升。 截断误差的光滑型支持向量顺序回归（TLS-SVOR）算法是对传统SVOR的一种改进，通过误差截断和模型优化策略，提高了在存在异常值情况下的回归预测准确度，尤其适用于那些可能存在异常值的实际应用中。该算法的提出为有序回归问题的解决提供了一个更为稳健的解决方案，并且在实际应用中具有广泛的应用前景。