科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的面向支持向量回归的一次性建模算法中样本增加时，均需从头开始学习，而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数，该损失函数对大的异常值比较敏感，而Huber损失函数对异常值敏感度低。所以在有噪声的情况下，Huber损失函数是比ε-不敏感损失函数更好的选择，在现实情况当中。基于此，本文提出了一种基于Huber损失函数的增量式Huber-SVR算法，该算法能够持续地将新样本信息集成到已经构建好的模型中，而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比，在对真实数据进行预测建模时，增量式Huber-SVR算法具有更高的预测精度。
- 单位
