الگوريتم و مدل رگرسيون بردار پشتيبان بازه اي آنلاين

مدل بردار پشتيبان رگرسيون بازه اي، يكي از مدلهاي مطرح براي تخمين تابع از روي داده هاي آموزشي است كه براساس اصل كمينه كردن خطاي ساختاري طراحي شده است و نسبت به وجود نويز در داده هاي آموزشي، مقاوم است حتي اگر اين نويز، وابسته به ويژگيهاي داده هاي آموزشي باشد. براي حل اين مدل، نياز به بارگذاري كل داده هاي آموزشي است كه با توجه به حجم بسيار بالاي برخي از مجموعه داده هاي واقعي، اجراي آن، گاه امكان پذير نيست. ايراد ديگر اين مدل، حجم بالاي محاسبات لازم براي حل مدل به ازاي مجموعه داده هاي آموزشي متوسط و بزرگ مي باشد. لذا، در اين مقاله، براي رفع اين دو مشكل، مدل آنلاين بردار پشتيبان رگرسيون بازه اي و الگوريتم حل آن ارائه مي شود. هر تكرار از الگوريتم حل اين مدل، فقط نياز مند بارگذاري يك داده آموزشي است و حجم محاسبات لازم براي حل اين مدل، بسيار كمتر از مدل دسته اي است. آزمايشهاي انجام شده روي مجموعه داده هاي واقعي و مصنوعي، مويد اين نظر است كه مدل آنلاين پيشنهادي، بدون كاهش چشمگير دقت تخمين و با سرعت بسيار بالاتري نسبت به مدل دسته اي بردار پشتيبان رگرسيون بازه اي، ميتواند تخمين تابع را انجام دهد.