Ordinal regression based on learning vector quantization

به تازگی، رگرسیون ردیفی، که مقادیر مقیاس مقطع را پیش بینی می کند، مورد توجه زیادی قرار گرفته است. در این مقاله، ما یک رویکرد جدید برای حل مسائل رگرسیون ریاضی در چارچوب کوانتیزاسیون یونیکر یادگیری پیشنهاد می کنیم. این رویکرد پیشین را به نام تقسیم بردار یادگیری مقید ماتریس تعمیم یافته با استفاده از تابع هزینه مناسب و طبیعی تر به ارمغان می آورد که منجر به قوانین به روز رسانی پارامتر بصری می شود. علاوه بر این، در رویکرد ما پهنای باند وزن نمونه ها به صورت خودکار سازگار است. تحقیقات تجربی بر روی تعدادی از مجموعه داده ها نشان می دهد که به طور کلی رویکرد پیشنهادی، در مقایسه با روش های رگرسیون ترتیبی جایگزین، عملکرد فوق العاده ای دارد.