Kernel ridge regression (KRR) is a widely accepted efficient machine learning paradigm that has been fruitfully implemented for solving both classification and regression problems. KRR solves a set of linear equations instead of solving a quadratic programming problem. However, KRR gives equal importance to each sample which leads to giving the same significance to the important and non-important samples. That might lead to low classification accuracy. To resolve this issue, this paper suggests a novel kernel ridge regression based on intuitionistic fuzzy membership (IFKRR) for binary classification. In IFKRR, there is an intuitionistic fuzzy number linked to each training sample which is framed by either its membership or non-membership. A pattern’s membership degree considers its distance from the corresponding class center.​ However, the non-membership degree is provided by the ratio of the number of heterogeneous points to the total number of its neighborhood points. The proposed IFKRR model can efficiently reduce the influence of noise in datasets. To evaluate the efficiency of IFKRR, its performance is compared with support vector machine (SVM), twin SVM (TWSVM), intuitionistic fuzzy SVM (IFSVM), intuitionistic fuzzy TWSVM (IFTSVM), random vector functional link with univariate trees (RFL), KRR and Co-trained KRR average (CoKRR-avg) on an artificial and a few really interesting real world datasets using Gaussian kernel. Computational results reveal the efficacy of the IFKRR model on the real world as well as noisy datasets.

核岭回归 (KRR) 是一种被广泛接受的高效机器学习范式，已为解决分类和回归问题而卓有成效地实施。KRR 求解一组线性方程，而不是求解二次规划问题。然而，KRR 对每个样本给予同等的重要性，这导致对重要和不重要的样本给予相同的重要性。这可能会导致分类准确率低。为了解决这个问题，本文提出了一种基于直觉模糊隶属度 (IFKRR) 的新型核岭回归，用于二元分类。在 IFKRR 中，有一个直觉模糊数与每个训练样本相关联，由其成员资格或非成员资格构成。一个模式的隶属度考虑了它与相应的类中心的距离。然而，非隶属度由异类点数与其邻域点总数的比值提供。所提出的 IFKRR 模型可以有效地减少数据集中噪声的影响。为了评估 IFKRR 的效率，将其性能与支持向量机 (SVM)、孪生 SVM (TWSVM)、直觉模糊 SVM (IFSVM)、直觉模糊 TWSVM (IFTSVM)、随机向量函数链接与单变量树 (RFL) 进行比较， KRR 和联合训练的 KRR 平均值 (CoKRR-avg) 在人工和一些使用高斯核的真实世界数据集上进行。计算结果揭示了 IFKRR 模型对现实世界和嘈杂数据集的有效性。所提出的 IFKRR 模型可以有效地减少数据集中噪声的影响。为了评估 IFKRR 的效率，将其性能与支持向量机 (SVM)、孪生 SVM (TWSVM)、直觉模糊 SVM (IFSVM)、直觉模糊 TWSVM (IFTSVM)、随机向量函数链接与单变量树 (RFL) 进行比较， KRR 和联合训练的 KRR 平均值 (CoKRR-avg) 在人工和一些使用高斯核的真实世界数据集上进行。计算结果揭示了 IFKRR 模型对现实世界和嘈杂数据集的有效性。所提出的 IFKRR 模型可以有效地减少数据集中噪声的影响。为了评估 IFKRR 的效率，将其性能与支持向量机 (SVM)、孪生 SVM (TWSVM)、直觉模糊 SVM (IFSVM)、直觉模糊 TWSVM (IFTSVM)、随机向量函数链接与单变量树 (RFL) 进行比较， KRR 和联合训练的 KRR 平均值 (CoKRR-avg) 在人工和一些使用高斯核的真实世界数据集上进行。计算结果揭示了 IFKRR 模型对现实世界和嘈杂数据集的有效性。随机向量函数与单变量树 (RFL)、KRR 和联合训练的 KRR 平均值 (CoKRR-avg) 在人工和一些使用高斯核的真实世界数据集上建立联系。计算结果揭示了 IFKRR 模型对现实世界和嘈杂数据集的有效性。随机向量函数与单变量树 (RFL)、KRR 和联合训练的 KRR 平均值 (CoKRR-avg) 在人工和一些使用高斯核的真实世界数据集上建立联系。计算结果揭示了 IFKRR 模型对现实世界和嘈杂数据集的有效性。