基于局部异常因子的最小二乘支持向量机鲁棒回归算法

"最小二乘支持向量机(LSSVM)是一种结合了支持向量机(SVM)和最小二乘法的机器学习模型，常用于回归分析。然而，LSSVM在处理含有噪声或异常值的数据时表现得相对脆弱。该研究关注于提升LSSVM的鲁棒性，以应对实际问题中普遍存在的不可预测噪声和异常值。论文提出了一种新的鲁棒回归算法，即基于样本局部异常因子的直接加权最小二乘支持向量机(DWLS-SVM)。 文中指出，样本的局部异常因子与数据中的噪声水平有显著关联。因此，研究者引入了局部异常因子这一概念，用于非线性回归问题。在LSSVM模型训练过程中，他们将这个概念应用到最优损失函数的确定中，通过赋予不同样本不同的权重来调整模型对异常值的敏感度。这种方法旨在直接通过样本的异常程度来调整损失函数，从而提高模型对噪声和异常值的抵抗力。 为了验证新算法的有效性，研究者选取了两个典型的非线性回归问题进行实验，并将DWLS-SVM与原始LSSVM以及基于预估噪声分布的加权最小二乘支持向量机进行了对比。实验结果显示，DWLS-SVM在鲁棒性方面表现出色，能够更好地处理噪声和异常值，提高了回归预测的准确性。 关键词：最小二乘支持向量机；局部异常因子；加权系数；鲁棒性；直接加权。" 这篇论文属于自然科学领域，探讨了在LSSVM模型中增强鲁棒性的方法，特别是针对非线性回归问题。通过引入局部异常因子，研究者提出了一种新的加权策略，这有助于改进模型在面对噪声和异常值时的性能。对于从事机器学习、数据分析以及在噪声环境中构建预测模型的研究者来说，这项工作提供了有价值的理论和实践指导。