An improvement on twin parametric-margin support vector machine
Article Type:
Research/Original Article (دارای رتبه معتبر)

The aim of this paper is to present an enhanced variant of Twin Parametric-Margin Support Vector Machine (TPMSVM) that improves classification performance.


By replacing a variable in the objective function, we keep the samples of one class farther from the parametric margin hyperplane of the other class.


The enhanced model is convex for both linear and nonlinear cases. Also, numerical experiments on UCI datasets show that the enhanced model performs better compared to two similar models for both linear and nonlinear cases.


  The previous studies of TPMSVM that increased the accuracy through approaches such as assigning weights to data sample, converting it into an unconstrained model and adding a new term in the objective function, did not guarantee that all samples will be far and on the negative side of the margin hyperplane. However, this study provides an approach to overcome this disadvantage of TPMSVM.

Journal of Decisions and Operations Research, Volume:7 Issue: 4, 2023
503 to 514  
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 60 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe for 50 € euros via PayPal and download 60 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!