Risk-averse multi-class support vector machines

Sınıflandırma problemi, sınıfı bilinen daha önceden gözlemlenmiş örneklere dayanarak, yeni örneğin sınıfının tespit edilmesini amaçlamaktadır. Bu problemin tıp, finans ve yapay zeka gibi farklı disiplinlerde pek çok uygulaması bulunmaktadır. Ancak, önceden gözlemlenmiş örneklerde uç değerler ve gürültü olması, başarım performansını önemli ölçüde etkileyebilmektedir. Destek vektör makinesi (DVM), uç değerler ve gürültü barındıran iki sınıflı sınıflandırma problemlerini çözmek için geliştirilmiştir. Literatürde, riskten kaçınan DVM'nin uç değerlere ve gürültüye asıl DVM formülasyonlarına göre daha kararlı olduğu gösterilmiştir. Fakat, gerçek veri setlerinde, ikiden çok sınıflı sınıflandırma problemleriyle daha çok karşılaşılmaktadır. Bu çalışmada, riskten kaçınan iki sınıflı DVM takip edilerek, riskten kaçınan çok sınıflı DVM'ler geliştirilmesi amaçlanmıştır. Riskten kaçınma, çok sınıflı DVM'lere, riske maruz değer ve koşullu riske maruz değer risk ölçütleri kullanılarak dahil edilmiştir. Riske maruz değer kısıtları genel olarak dış bükey olmadıkları için, riske maruz değer kısıtı eklenmiş DVM'ler, koşullu riske maruz değer eklenmiş DVM'lere göre daha karmaşıktır. Bu nedenle, riske maruz değer kısıtı eklemiş çok sınıflı DVM'leri etkin bir şekilde çözmek için, güçlü büyük M formülasyonu önerilmiştir. Bununla birlikte, asıl çok sınıflı DVM'lerin ve riskten kaçınan DVM'lerin gerçek ve yapay veri setleri üzerindeki başarım performansını gösteren bir çalışma sunulmuştur. Sonuçlar, riske maruz değer kısıtı eklenmiş çok sınıflı DVM'lerin veri setlerindeki uç değerlere ve gürültüye koşullu riske maruz değer eklemiş DVM'lere göre daha kararlı olduğunu, ve riskten kaçınan DVM'lerin asıl formülasyonlara göre daha kararlı olduğunu göstermektedir.