基于截断Pinball损失的支持向量机多类别概率估计

SVM对训练样本中的噪声非常敏感,因此在概率估计准确性上还存在改进空间。针对这一问题,提出一种稳健非凸的截断Pinball损失,作为Hinge和Pinball损失的广义形式,截断Pinball损失具有稀疏性和噪声鲁棒性,可以有效地降低异常点对损失函数的影响。基于该损失,T-Pin-SVM模型被开发并用于多类别的概率估计。理论研究表明,T-Pin-SVM模型具有Fisher一致性。数值分析表明,相对Hinge和Pinball损失的SVM模型,T-Pin-SVM在概率估计任务中的准确性上具有较强竞争力。另外,概率估计结合分类规则可提供分类结果,因此T-Pin-SVM在分类准确性上也有一定提升。