版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、近年來,模型選擇問題引起人們很大的興趣.在監(jiān)督學習中,模型選擇的好壞直接影響學習算法的推廣能力.如果所選擇的模型過于復雜,就會出現(xiàn)過學習(overfitting)現(xiàn)象;相反,如果模型過于簡單,則會出現(xiàn)欠學習(underfitting)現(xiàn)象. 對于小規(guī)模樣本集(實際問題總是小規(guī)模樣本集的問題),監(jiān)督學習的目標是在給定的函數(shù)集中挑選一個最優(yōu)的逼近函數(shù),從而最小化推廣誤差.對此,Vapnik在文獻[53]中提出了選擇這樣函數(shù)集的原則,
2、即結構風險最小化(SRM)原則.該原則為給定函數(shù)集提供一個容許結構,然后在整個給定的結構元素上找到最小化保證風險的函數(shù). 上世紀下半葉,人們從各種觀點出發(fā),提出了很多模型選擇原則.其中以Akaike等人提出的兩種模型選擇原則較為流行,Akaike信息準則(AIC)[17]和Bayesian信息準則(BIC)[18].后來,從泛函分析的角度出發(fā),Sugiyama和Ogawa又提出了一種新的模型選擇準則,即子空間信息準則(SIC)[
3、27].SIC所考慮的訓練樣本是基于[0,1]上樣本點的一個均勻分布,零均值和不同方差值的正態(tài)分布噪聲得到的.它用所選取的函數(shù)與真實函數(shù)之間的均方差來估計性能.SIC的優(yōu)勢在于它是推廣誤差的一種無偏估計,實驗證明依SIC思想選擇的模型得到的學習算法具有很好的推廣能力. 本文分五個部分討論了模型選擇的子空間信息準則問題. 第一部分,主要介紹了學習問題及本文的研究背景. 第二部分,首先介紹模型的概念,接著回顧一些經(jīng)典
4、的模型選擇原則,主要介紹的有三個:結構風險最小化原則(SRM),Akaike信息準則(AIC)和Bayesian信息準則(BIC). 第三部分,討論本文的主要內(nèi)容,即解決模型選擇問題的子空間信息準則(SIC).在介紹SIC的定義以后,把該方法推廣到無限維的假設空間上;并且還對SIC進行擾動分析,最后對SIC的一些不足之處進行改善,從而提高該方法的精度. 第四部分,我們將SIC應用到學習問題的一些重要模型中,這其中包括在再
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于信息論準則的變量選擇問題.pdf
- 關于資產(chǎn)評估準則中價值類型選擇問題的理論思考
- 通過交叉驗證準則選擇線性模型.pdf
- 組稀疏子空間的大間隔特征選擇.pdf
- 決策森林的子空間選擇和集成優(yōu)化.pdf
- 決策森林的子空間選擇和集成優(yōu)化
- 關于題組隨機效應模型的模型選擇.pdf
- Banach空間的Hypercyclic子空間和Supercyclic子空間.pdf
- 基于子空間學習的視覺跟蹤表觀模型研究.pdf
- 關于不變子空間問題.pdf
- 關于子流形若干問題的綜述.pdf
- 42762.基于偏峰度的模型選擇準則及其應用
- 基于子空間運動模型的目標跟蹤算法.pdf
- 關于企業(yè)會計準則問題的思考
- 基于模型的半監(jiān)督子空間聚類算法分析.pdf
- 空間計量模型變量選擇方法及其應用.pdf
- 求解子空間復原問題的嵌套極小化算法.pdf
- 關于有序離散選擇模型檢驗的模擬分析.pdf
- 關于制造企業(yè)配送模式選擇模型的研究.pdf
- 關于會計政策選擇問題的研究
評論
0/150
提交評論