SUPPORT VECTOR REGRESSION WITH RANDOM OUTPUT VARIABLE AND PROBABILISTIC CONSTRAINTS

رگرسيون بردار پشتيبان، به حل مسايل رگرسيون بر اساس مفهوم ماشين بردار پشتيبان مي پردازد. در اين مقاله، يك مدل جديد از رگرسيون بردارپشتيبان همراه با محدوديتهاي احتمالي پيشنهاد مي شود كه در آن هركدام از داده هاي خروجي و باياس متغيري تصادفي با تابع احتمال يكنواخت در نظر گرفته مي شوند. با بكار گيري روش پيشنهاد شده جديد، مي توان رگرسيون ابرصفحه بهينه را با حل يك مسيله بهينه سازي درجه دوم به دست آورد. روش پيشنهاد شده توسط چندين مجموعه داده واقعي و داده هاي شبيه سازي شده براي هر دو مدل (خطي و غيرخطي) همراه با محدوديتهاي احتمالي توضيح داده مي شود.

Support Vector Regression (SVR) solves regression problems based on the concept of Support Vector Machine (SVM). In this paper, a new model of SVR with probabilistic constraints is proposed that any of output data and bias are considered the random variables with uniform probability functions. Using the new proposed method, the optimal hyperplane regression can be obtained by solving a quadratic optimization problem. The proposed method is illustrated by several simulated data and real data sets for both models (linear and nonlinear ) with probabilistic constraints.