Robust Support Vector Machine

Robust SVM utökar standard-supportvektormaskinen för att motstå inflytandet från extremvärden och felaktigt märkta punkter. Genom att ersätta gångjärnsförlusten (hinge loss) med en begränsad eller icke-konvex förlustfunktion — eller genom att införliva robusta optimeringsvillkor — lär den sig en beslutgräns som är betydligt mindre förvrängd av korrupta träningsexempel, vilket gör den lämplig för brusiga verkliga datamängder där standard-SVM skulle försämras avsevärt.