دانلود کتاب Improved Classification Rates for Localized Algorithms under Margin Conditions
کتاب نرخ‌های طبقه‌بندی بهبود یافته برای الگوریتم‌های موضعی تحت شرایط حاشیه نسخه زبان اصلی
دانلود کتاب نرخ‌های طبقه‌بندی بهبود یافته برای الگوریتم‌های موضعی تحت شرایط حاشیه بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Improved Classification Rates for Localized Algorithms under Margin Conditions
نام کتاب : Improved Classification Rates for Localized Algorithms under Margin Conditions
ویرایش : 1
عنوان ترجمه شده به فارسی : نرخ‌های طبقه‌بندی بهبود یافته برای الگوریتم‌های موضعی تحت شرایط حاشیه
سری :
نویسندگان : Ingrid Karin Blaschzyk
ناشر : Springer Spektrum
سال نشر : 2020
تعداد صفحات : 134
ISBN (شابک) : 3658295902 , 9783658295905
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 1 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
دستگاه های بردار پشتیبانی (SVM) یکی از موفق ترین الگوریتم ها در مجموعه داده های کوچک و متوسط هستند ، اما در داده های در مقیاس بزرگ ، آموزش و پیش بینی های آنها از نظر محاسباتی غیرقابل تحمل می شوند. نویسنده یک روش تقسیم داده های فضایی تعریف شده برای مشکلات یادگیری در مقیاس بزرگ را در نظر می گیرد ، که منجر به به اصطلاح SVM های بومی شده می شود و یک تحلیل ریاضی عمیق را با ضمانت های نظری پیاده سازی می کند ، که به ویژه شامل نرخ طبقه بندی است. تجزیه و تحلیل آماری به یک تکنیک جدید و ساده مبتنی بر تقسیم بندی متکی است و شرایط حاشیه ای شناخته شده را در نظر می گیرد که رفتار توزیع تولید داده را توصیف می کند. به نظر می رسد که نرخ ها از نرخ های شناخته شده چندین الگوریتم یادگیری دیگر تحت مجموعه های مناسب از فرضیات بهتر عمل می کنند. از دیدگاه عملی ، نویسنده نشان می دهد که یک روش آموزش مشترک و اعتبار سنجی به نرخ نظری به طور تطبیقی دست می یابد ، یعنی بدون دانستن پارامترهای حاشیه از قبل.
فهرست مطالب :
Danksagung
Contents
Abbreviations
List of Figures
Summary
Kurzfassung
1. Introduction
2. Preliminaries
2.1. Introduction to Statistical Learning Theory
2.1.1. Losses and Risks
2.1.2. Learning Methods
2.2. From Global to Localized SVMs
2.2.1. Kernels and RKHSs
2.2.2. The Localized SVM Approach
2.3. Advanced Statistical Analysis
2.3.1. Margin Conditions
2.3.2. General Oracle Inequalities
3. Histogram Rule: Oracle Inequality and Learning Rates
3.1. Motivation
3.2. Statistical Refinement and Main Results
3.3. Comparison of Learning Rates
4. Localized SVMs: Oracle Inequalities and Learning Rates
4.1. Motivation
4.2. Local Statistical Analysis
4.2.1. Approximation Error Bounds
4.2.2. Entropy Bounds
4.2.3. Oracle Inequalities and Learning Rates
4.3. Main Results
4.3.1. Global Learning Rates
4.3.2. Adaptivity
4.4. Comparison of Learning Rates
5. Discussion
A. Appendix
Bibliography
توضیحاتی در مورد کتاب به زبان اصلی :
Support vector machines (SVMs) are one of the most successful algorithms on small and medium-sized data sets, but on large-scale data sets their training and predictions become computationally infeasible. The author considers a spatially defined data chunking method for large-scale learning problems, leading to so-called localized SVMs, and implements an in-depth mathematical analysis with theoretical guarantees, which in particular include classification rates. The statistical analysis relies on a new and simple partitioning based technique and takes well-known margin conditions into account that describe the behavior of the data-generating distribution. It turns out that the rates outperform known rates of several other learning algorithms under suitable sets of assumptions. From a practical point of view, the author shows that a common training and validation procedure achieves the theoretical rates adaptively, that is, without knowing the margin parameters in advance.
پست ها تصادفی