BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Support Vector Machine (SVM) merupakan metode supervised learning yang mencari hyperplane pemisah dengan margin maksimum antara dua kelas. Konsep inti SVM meliputi hyperplane, margin, support vector, soft margin, dan fungsi kernel yang memungkinkan pemisahan nonlinier (Cervantes dkk., 2020). Untuk tugas regresi, pendekatan yang sama dikembangkan menjadi Support Vector Regression (SVR) yang menggunakan epsilon-insensitive loss dan konsep epsilon-tube (Shi, 2023).

Pada praktikum ini, sesuai batasan masalah, analisis difokuskan pada klasifikasi menggunakan SVM pada data SynthDiabetes2 dari paket mlbench. Analisis mencakup persiapan data, pembagian training-testing, pembentukan model, tuning parameter (cost dan gamma), prediksi, evaluasi, visualisasi decision boundary, dan interpretasi. Kernel linear dan radial dibandingkan untuk menentukan kernel terbaik.

1.2 Rumusan Masalah

  1. Bagaimana cara memahami konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR)?
  2. Bagaimana cara menjelaskan hyperplane, margin, support vector, soft margin, dan fungsi kernel pada SVM serta konsep epsilon-insensitive loss dan epsilon-tube pada SVR?
  3. Bagaimana cara mengimplementasikan SVM untuk klasifikasi menggunakan R?
  4. Bagaimana cara melakukan tuning parameter cost dan gamma serta mengevaluasi performa model menggunakan ukuran yang sesuai?

1.3 Tujuan

  1. Memahami konsep dasar Support Vector Machine (SVM) dan Support Vector Regression (SVR).
  2. Menjelaskan hyperplane, margin, support vector, soft margin, dan fungsi kernel pada SVM serta konsep epsilon-insensitive loss dan epsilon-tube pada SVR.
  3. Mengimplementasikan SVM untuk klasifikasi menggunakan R.
  4. Melakukan tuning parameter cost dan gamma serta mengevaluasi performa model menggunakan ukuran yang sesuai.

BAB II TINJAUAN PUSTAKA

2.1 Konsep Dasar Support Vector Machine

Support Vector Machine (SVM) adalah metode klasifikasi yang berlandaskan pada prinsip structural risk minimization. Tujuan utamanya adalah menemukan hyperplane pemisah yang memaksimalkan margin antara dua kelas. Margin didefinisikan sebagai jarak tegak lurus antara hyperplane dan titik-titik data terdekat dari masing-masing kelas. Titik-titik yang terletak tepat pada batas margin disebut support vector dan merupakan satu-satunya observasi yang memengaruhi posisi serta orientasi hyperplane (Cervantes dkk., 2020).

Secara matematis, hyperplane di ruang fitur dapat ditulis sebagai \(\mathbf{w}^\top\mathbf{x} + b = 0\). Margin yang dimaksimalkan berbanding terbalik dengan \(\|\mathbf{w}\|\), sehingga permasalahan optimasi SVM hard-margin dirumuskan sebagai meminimalkan \(\frac{1}{2}\|\mathbf{w}\|^2\) dengan kendala \(y_i(\mathbf{w}^\top\mathbf{x}_i + b) \geq 1\) untuk seluruh \(i\). Solusi yang dihasilkan bersifat jarang (sparse) karena hanya support vector yang memiliki pengganda Lagrange tidak nol (Cervantes dkk., 2020).

2.2 Soft Margin dan Parameter Cost

Pada data dunia nyata, kelas sering kali tumpang tindih sehingga pemisahan sempurna tidak mungkin. SVM soft-margin memperkenalkan variabel slack \(\xi_i \geq 0\) yang memungkinkan beberapa observasi melanggar margin atau bahkan berada di sisi yang salah. Fungsi objektif menjadi:

\[ \min_{\mathbf{w},b,\boldsymbol{\xi}} \frac{1}{2}\|\mathbf{w}\|^2 + C\sum_{i=1}^{n}\xi_i \]

dengan kendala \(y_i(\mathbf{w}^\top\mathbf{x}_i + b) \geq 1 - \xi_i\). Parameter \(C\) (disebut cost pada paket e1071) mengontrol trade-off antara lebar margin dan jumlah pelanggaran. Nilai \(C\) yang besar membuat model sangat tidak toleran terhadap kesalahan sehingga boundary cenderung kompleks dan rentan overfitting. Sebaliknya, nilai \(C\) yang kecil menghasilkan margin lebih lebar dengan toleransi kesalahan yang lebih tinggi, sehingga model cenderung lebih sederhana dan stabil (Cervantes dkk., 2020).

2.3 Fungsi Kernel dan Pemisahan Nonlinier

Ketika data tidak dapat dipisahkan secara linear di ruang asli, SVM memanfaatkan kernel trick. Fungsi kernel \(K(\mathbf{x}_i,\mathbf{x}_j) = \phi(\mathbf{x}_i)^\top\phi(\mathbf{x}_j)\) menghitung hasil kali dalam di ruang fitur berdimensi tinggi tanpa secara eksplisit membentuk pemetaan \(\phi\). Kernel yang paling sering digunakan adalah kernel radial basis function (RBF):

\[ K(\mathbf{x}_i,\mathbf{x}_j) = \exp(-\gamma\|\mathbf{x}_i - \mathbf{x}_j\|^2) \]

Parameter \(\gamma\) (gamma) mengontrol jangkauan pengaruh setiap support vector. Nilai \(\gamma\) yang besar membuat pengaruh bersifat sangat lokal sehingga batas keputusan menjadi berliku-liku dan fleksibel. Nilai \(\gamma\) yang kecil menghasilkan pengaruh yang lebih luas sehingga batas keputusan menjadi lebih halus (Cervantes dkk., 2020). Kombinasi \(C\) dan \(\gamma\) yang tepat sangat menentukan performa model RBF.

2.4 Support Vector Regression dan Epsilon-Tube

Support Vector Regression (SVR) mengadaptasi prinsip margin maksimum untuk tugas regresi. Alih-alih memaksimalkan jarak antar kelas, SVR mencari fungsi \(f(\mathbf{x}) = \mathbf{w}^\top\phi(\mathbf{x}) + b\) yang sedekat mungkin dengan nilai target, namun dengan toleransi tertentu. Toleransi tersebut diwujudkan melalui epsilon-insensitive loss:

\[ L_\epsilon(y,f(\mathbf{x})) = \max\bigl(0, |y - f(\mathbf{x})| - \epsilon\bigr) \]

Prediksi yang berada di dalam selang \(\pm\epsilon\) dari nilai aktual tidak dikenai penalti. Selang tersebut disebut epsilon-tube. Titik-titik di dalam tube tidak menjadi support vector, sedangkan titik di luar tube dikenai penalti linear melalui variabel slack (Shi, 2023). Parameter \(\epsilon\) menentukan lebar tube: semakin besar \(\epsilon\), semakin banyak residual yang diabaikan dan semakin sedikit support vector yang terbentuk, sehingga model cenderung lebih sederhana.

2.5 Evaluasi Model Klasifikasi

Evaluasi model klasifikasi dimulai dari confusion matrix yang memuat true positive, false positive, false negative, dan true negative. Dari matriks tersebut dihitung akurasi, precision (PPV), recall (sensitivitas), spesifisitas, dan F1-score. Kurva ROC dan nilai AUC memberikan gambaran kemampuan diskriminasi model secara keseluruhan, terutama ketika proporsi kelas tidak seimbang (Tharwat, 2021).

BAB III METODE PENELITIAN

3.1 Sumber Data

Jenis data yang digunakan dalam praktikum ini adalah data kuantitatif dan kategorik. Data yang digunakan adalah SynthDiabetes2 dari paket mlbench. Data tersebut merupakan data sintetis yang meniru pola data diabetes dengan 768 observasi dan sembilan variabel, termasuk pola missing value yang realistis. Variabel respons adalah diabetes dengan dua kelas (neg dan pos). Variabel triceps dan insulin yang memiliki banyak nilai hilang dihapus, kemudian observasi yang masih mengandung missing value dikeluarkan sehingga data siap untuk pemodelan.

3.2 Variabel Penelitian

Variabel prediktor yang digunakan setelah pembersihan data adalah pregnant, glucose, pressure, mass, pedigree, dan age. Variabel respons adalah diabetes dengan kelas positif ditetapkan sebagai "pos".

3.3 Batasan Analisis

Sesuai batasan masalah, analisis dibatasi pada klasifikasi SVM dengan kernel linear dan radial pada data SynthDiabetes2, menggunakan set.seed(234). Tuning dilakukan pada kombinasi cost = {0.1, 1, 10, 100} dan gamma = {0.001, 0.01, 0.1, 1} untuk kernel radial. Evaluasi menggunakan confusion matrix, Accuracy, Precision, Recall, Specificity, F1-Score, dan ROC-AUC. Visualisasi decision boundary menggunakan dua variabel glucose dan pressure (model tetap dilatih dengan seluruh prediktor). Analisis SVR tidak dilakukan karena berada di luar batasan studi kasus pertemuan ini.

3.4 Langkah-langkah Analisis

  1. Memuat paket (e1071, mlbench, caret, pROC, ggplot2).
  2. Memuat dan membersihkan data SynthDiabetes2.
  3. Membagi data training-testing 70:30 dengan set.seed(234).
  4. Membentuk model SVM radial awal, memvisualisasikan decision boundary, melakukan prediksi, dan mengevaluasi.
  5. Melakukan tuning parameter untuk kernel radial dan linear, lalu membandingkan performa.
  6. Menentukan kernel terbaik berdasarkan hasil evaluasi.

BAB IV HASIL DAN PEMBAHASAN

4.1 Persiapan Data

library(e1071)
library(mlbench)
library(caret)
library(pROC)
library(ggplot2)

data("SynthDiabetes2", package = "mlbench")
pima <- SynthDiabetes2

# Hapus prediktor dengan banyak missing value
pima <- pima[, !names(pima) %in% c("triceps", "insulin")]
pima <- na.omit(pima)
pima$diabetes <- droplevels(as.factor(pima$diabetes))

cat("Dimensi data setelah preprocessing:", dim(pima), "\n")
## Dimensi data setelah preprocessing: 727 7
table(pima$diabetes)
## 
## neg pos 
## 462 265
prop.table(table(pima$diabetes))
## 
##       neg       pos 
## 0.6354883 0.3645117

Setelah menghapus variabel triceps dan insulin yang mengandung banyak nilai hilang serta mengeluarkan observasi yang masih memiliki missing value, data yang dianalisis siap digunakan untuk pemodelan. Distribusi kelas menunjukkan bahwa proporsi kelas pos dan neg tidak seimbang secara ekstrem. Kondisi ini memungkinkan akurasi tetap digunakan sebagai ukuran utama, namun metrik lain seperti recall dan spesifisitas tetap penting untuk menilai kemampuan model dalam mengenali masing-masing kelas, khususnya kelas positif yang berkaitan dengan risiko diabetes.

4.2 Pembagian Data Training dan Testing

set.seed(234)
idx.cls <- createDataPartition(pima$diabetes, p = 0.70, list = FALSE)
pima.train <- pima[idx.cls, ]
pima.test  <- pima[-idx.cls, ]

cat("Training:", dim(pima.train), " | Testing:", dim(pima.test), "\n")
## Training: 510 7  | Testing: 217 7
prop.table(table(pima.train$diabetes))
## 
##       neg       pos 
## 0.6352941 0.3647059
prop.table(table(pima.test$diabetes))
## 
##       neg       pos 
## 0.6359447 0.3640553

Pembagian data dilakukan secara berstrata terhadap variabel respons dengan proporsi 70% training dan 30% testing serta inisialisasi set.seed(234) agar hasil dapat direproduksi. Proporsi kelas pada data training dan testing relatif mirip dengan proporsi keseluruhan, sehingga evaluasi pada data testing dapat dianggap mewakili performa model secara umum tanpa bias yang berarti akibat perbedaan distribusi kelas.

4.3 Model SVM Radial Awal dan Visualisasi Decision Boundary

Model SVM radial dibentuk dengan parameter awal yang wajar (cost = 1 dan gamma default berdasarkan jumlah prediktor). Visualisasi decision boundary menggunakan dua variabel glucose dan pressure sesuai instruksi, sementara model tetap dilatih dengan seluruh prediktor.

set.seed(234)
svm.cls <- svm(
  diabetes ~ .,
  data = pima.train,
  type = "C-classification",
  kernel = "radial",
  cost = 1,
  gamma = 1 / (ncol(pima.train) - 1),
  scale = TRUE,
  probability = TRUE
)
svm.cls
## 
## Call:
## svm(formula = diabetes ~ ., data = pima.train, type = "C-classification", 
##     kernel = "radial", cost = 1, gamma = 1/(ncol(pima.train) - 1), 
##     probability = TRUE, scale = TRUE)
## 
## 
## Parameters:
##    SVM-Type:  C-classification 
##  SVM-Kernel:  radial 
##        cost:  1 
## 
## Number of Support Vectors:  307
x1 <- "glucose"
x2 <- "pressure"

grid_vals <- expand.grid(
  glucose = seq(min(pima.train$glucose), max(pima.train$glucose), length.out = 200),
  pressure = seq(min(pima.train$pressure), max(pima.train$pressure), length.out = 200)
)

prediktor <- setdiff(names(pima.train), c("diabetes", x1, x2))
for (v in prediktor) {
  grid_vals[[v]] <- median(pima.train[[v]])
}

pred.grid <- predict(svm.cls, newdata = grid_vals, decision.values = TRUE)
grid_vals$Prediksi <- pred.grid
grid_vals$margin <- as.numeric(attr(pred.grid, "decision.values")[, 1])

ggplot() +
  geom_raster(data = grid_vals, aes(x = glucose, y = pressure, fill = Prediksi), alpha = 0.25) +
  geom_contour(data = grid_vals, aes(x = glucose, y = pressure, z = margin),
               breaks = 0, colour = "red", linewidth = 1) +
  geom_point(data = pima.train, aes(x = glucose, y = pressure, color = diabetes),
             size = 2, alpha = 0.8) +
  scale_color_manual(values = c("neg" = "#377EB8", "pos" = "#E41A1C")) +
  scale_fill_manual(values = c("neg" = "#377EB8", "pos" = "#E41A1C")) +
  labs(
    title = "SVM Nonlinier dengan Kernel RBF",
    subtitle = "Decision Boundary (glucose vs pressure)",
    x = "Glucose", y = "Pressure (Blood Pressure)",
    color = "Kelas Aktual", fill = "Kelas Prediksi"
  ) +
  theme_bw()
Gambar 1. Decision boundary SVM radial (visualisasi pada glucose dan pressure)

Gambar 1. Decision boundary SVM radial (visualisasi pada glucose dan pressure)

Gambar 1 menampilkan decision boundary SVM radial yang divisualisasikan pada ruang dua dimensi glucose dan pressure. Garis merah menandai batas keputusan (nilai decision function = 0). Warna latar menunjukkan wilayah prediksi masing-masing kelas. Terlihat bahwa kernel RBF menghasilkan batas yang nonlinier dan mampu menyesuaikan diri dengan sebaran data. Perlu dicatat bahwa model tetap dilatih menggunakan seluruh prediktor; visualisasi dua dimensi hanya berfungsi sebagai ilustrasi untuk memahami bentuk batas keputusan di ruang fitur yang direduksi. Pola yang terlihat pada gambar menunjukkan bahwa kadar glukosa yang lebih tinggi cenderung dikaitkan dengan kelas positif, sesuai dengan pengetahuan domain mengenai risiko diabetes.

4.4 Prediksi dan Evaluasi Model Awal

pred.svm.cls <- predict(svm.cls, newdata = pima.test, probability = TRUE)
pred.svm.cls <- factor(pred.svm.cls, levels = levels(pima.test$diabetes))

cm.svm <- confusionMatrix(
  data = pred.svm.cls,
  reference = pima.test$diabetes,
  positive = "pos"
)
cm.svm
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction neg pos
##        neg 122  36
##        pos  16  43
##                                           
##                Accuracy : 0.7604          
##                  95% CI : (0.6979, 0.8156)
##     No Information Rate : 0.6359          
##     P-Value [Acc > NIR] : 5.909e-05       
##                                           
##                   Kappa : 0.4529          
##                                           
##  Mcnemar's Test P-Value : 0.008418        
##                                           
##             Sensitivity : 0.5443          
##             Specificity : 0.8841          
##          Pos Pred Value : 0.7288          
##          Neg Pred Value : 0.7722          
##              Prevalence : 0.3641          
##          Detection Rate : 0.1982          
##    Detection Prevalence : 0.2719          
##       Balanced Accuracy : 0.7142          
##                                           
##        'Positive' Class : pos             
## 
tab.svm <- table(Aktual = pima.test$diabetes, Prediksi = pred.svm.cls)
TN <- tab.svm["neg", "neg"]
FP <- tab.svm["neg", "pos"]
FN <- tab.svm["pos", "neg"]
TP <- tab.svm["pos", "pos"]

Accuracy    <- (TP + TN) / (TP + TN + FP + FN)
Precision   <- TP / (TP + FP)
Recall      <- TP / (TP + FN)
Specificity <- TN / (TN + FP)
F1          <- 2 * (Precision * Recall) / (Precision + Recall)

evaluasi.svm <- data.frame(
  Accuracy = Accuracy, Precision = Precision,
  Recall = Recall, Specificity = Specificity, F1_Score = F1
)
round(evaluasi.svm, 4)
##   Accuracy Precision Recall Specificity F1_Score
## 1   0.7604    0.7288 0.5443      0.8841   0.6232
prob.svm <- attr(predict(svm.cls, newdata = pima.test, probability = TRUE),
                 "probabilities")[, "pos"]
roc.svm <- roc(response = pima.test$diabetes, predictor = prob.svm,
               levels = c("neg", "pos"), direction = "<", quiet = TRUE)
AUC.svm <- as.numeric(auc(roc.svm))
plot(roc.svm, legacy.axes = TRUE,
     main = paste0("ROC SVM Radial (AUC = ", round(AUC.svm, 3), ")"))
Gambar 2. Kurva ROC model SVM radial awal

Gambar 2. Kurva ROC model SVM radial awal

Model SVM radial awal dievaluasi pada data testing. Confusion matrix menunjukkan jumlah prediksi benar dan salah untuk masing-masing kelas. Akurasi memberikan gambaran keseluruhan ketepatan prediksi, sementara precision menilai ketepatan prediksi kelas positif, recall menilai kemampuan model dalam menangkap kasus positif yang sebenarnya, dan spesifisitas menilai kemampuan mengenali kasus negatif. F1-score menyeimbangkan precision dan recall. Nilai AUC pada kurva ROC memberikan ukuran kemampuan diskriminasi model yang tidak bergantung pada threshold tertentu. Hasil evaluasi model awal ini menjadi baseline sebelum dilakukan tuning parameter.

4.5 Tuning Parameter Kernel Radial

set.seed(234)
tune.svm.cls <- tune.svm(
  diabetes ~ .,
  data = pima.train,
  type = "C-classification",
  kernel = "radial",
  cost = c(0.1, 1, 10, 100),
  gamma = c(0.001, 0.01, 0.1, 1),
  scale = TRUE,
  tunecontrol = tune.control(cross = 5)
)
tune.svm.cls
## 
## Parameter tuning of 'svm':
## 
## - sampling method: 5-fold cross validation 
## 
## - best parameters:
##  gamma cost
##   0.01  100
## 
## - best performance: 0.2568627
tune.svm.cls$best.parameters
##    gamma cost
## 14  0.01  100
svm.best <- tune.svm.cls$best.model
pred.svm.best <- predict(svm.best, newdata = pima.test)
pred.svm.best <- factor(pred.svm.best, levels = levels(pima.test$diabetes))

cm.svm.best <- confusionMatrix(
  data = pred.svm.best,
  reference = pima.test$diabetes,
  positive = "pos"
)
cm.svm.best
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction neg pos
##        neg 120  28
##        pos  18  51
##                                           
##                Accuracy : 0.788           
##                  95% CI : (0.7276, 0.8404)
##     No Information Rate : 0.6359          
##     P-Value [Acc > NIR] : 9.258e-07       
##                                           
##                   Kappa : 0.5295          
##                                           
##  Mcnemar's Test P-Value : 0.1845          
##                                           
##             Sensitivity : 0.6456          
##             Specificity : 0.8696          
##          Pos Pred Value : 0.7391          
##          Neg Pred Value : 0.8108          
##              Prevalence : 0.3641          
##          Detection Rate : 0.2350          
##    Detection Prevalence : 0.3180          
##       Balanced Accuracy : 0.7576          
##                                           
##        'Positive' Class : pos             
## 
acc.radial <- mean(pred.svm.best == pima.test$diabetes)
acc.radial
## [1] 0.7880184

Proses tuning dilakukan dengan validasi silang 5-fold pada kombinasi nilai cost dan gamma yang telah ditentukan. Hasil tuning menunjukkan kombinasi parameter yang memberikan kesalahan validasi terkecil. Model terbaik kemudian dievaluasi ulang pada data testing yang tidak pernah digunakan selama tuning. Parameter cost yang lebih besar cenderung mengurangi toleransi terhadap kesalahan klasifikasi sehingga boundary menjadi lebih ketat mengikuti data training, sedangkan gamma yang lebih besar membuat pengaruh setiap support vector bersifat lokal dan menghasilkan batas keputusan yang lebih berliku. Kombinasi optimal menyeimbangkan kedua pengaruh tersebut sehingga generalisasi pada data testing tetap baik. Perbedaan performa antara model awal dan model hasil tuning mencerminkan manfaat penyesuaian hiperparameter pada data ini.

4.6 Perbandingan Kernel Linear dan Radial

set.seed(234)
tune.linear <- tune.svm(
  diabetes ~ .,
  data = pima.train,
  type = "C-classification",
  kernel = "linear",
  cost = c(0.1, 1, 10, 100),
  scale = TRUE,
  tunecontrol = tune.control(cross = 5)
)
tune.linear$best.parameters
##   cost
## 4  100
pred.linear <- predict(tune.linear$best.model, newdata = pima.test)
pred.linear <- factor(pred.linear, levels = levels(pima.test$diabetes))
acc.linear <- mean(pred.linear == pima.test$diabetes)

perbandingan.kernel.cls <- data.frame(
  Kernel = c("Linear", "Radial"),
  Accuracy = c(acc.linear, acc.radial)
)
perbandingan.kernel.cls
##   Kernel  Accuracy
## 1 Linear 0.7649770
## 2 Radial 0.7880184

Perbandingan akurasi pada data testing antara kernel linear dan radial memberikan gambaran kernel mana yang lebih sesuai untuk data SynthDiabetes2. Kernel linear menghasilkan batas keputusan berupa hyperplane datar di ruang fitur asli, sehingga lebih sederhana dan cenderung stabil, tetapi kurang mampu menangkap pola nonlinier. Kernel radial, berkat pemetaan implisit ke ruang berdimensi tinggi, mampu membentuk batas yang lebih fleksibel. Apabila akurasi kernel radial lebih tinggi, hal ini mengindikasikan bahwa hubungan antara prediktor dan respons pada data ini mengandung komponen nonlinier yang cukup berarti. Sebaliknya, apabila perbedaan akurasi kecil, kernel linear dapat dipilih dengan alasan kesederhanaan dan interpretabilitas yang lebih baik. Hasil perbandingan ini menjadi dasar penentuan kernel terbaik untuk tugas klasifikasi pada praktikum ini.

BAB V KESIMPULAN

Praktikum ini berhasil mengimplementasikan SVM untuk klasifikasi pada data SynthDiabetes2 sesuai batasan masalah yang ditetapkan. Konsep hyperplane, margin, support vector, soft margin, dan fungsi kernel telah diaplikasikan secara praktis melalui pembentukan model, visualisasi decision boundary, tuning parameter, dan evaluasi. Konsep SVR (epsilon-insensitive loss dan epsilon-tube) juga telah dibahas pada tinjauan pustaka untuk memenuhi rumusan masalah, meskipun implementasinya tidak dilakukan karena berada di luar batasan studi kasus.

Tuning kombinasi cost dan gamma menghasilkan model radial yang kompetitif. Perbandingan dengan kernel linear menunjukkan perbedaan performa yang dapat digunakan untuk memilih kernel terbaik sesuai karakteristik data. Hasil praktikum menegaskan pentingnya pemahaman konsep teoritis sekaligus keterampilan implementasi dan interpretasi pada studi kasus nyata.

DAFTAR PUSTAKA

Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., & Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408, 189–215. https://doi.org/10.1016/j.neucom.2019.10.118

Shi, A. (2023). Understanding SVR and epsilon insensitive loss with Scikit-learn. Towards Data Science.

Tharwat, A. (2021). Classification assessment methods. Applied Computing and Informatics, 17(1), 168–192. https://doi.org/10.1016/j.aci.2018.08.003

Leisch, F., & Dimitriadou, E. (2026). mlbench: Machine learning benchmark problems (R package version 2.1-11). https://CRAN.R-project.org/package=mlbench