Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Linear Methods.doc
Скачиваний:
0
Добавлен:
01.07.2025
Размер:
3.53 Mб
Скачать

26

Линейные методы восстановления зависимостей по эмпирическим данным Оглавление

1 Типовая задача восстановления закономерностей в множествах объектов реального мира 2

1.1 Типовая задача восстановления закономерностей в множествах объектов реального мира 2

1.2 Обучение по прецедентам 2

1.3 Концептуальная база восстановления зависимостей: Гипотеза компактности. 2

1.4 Диполь в метрическом пространстве 2

1.5 Идеальные условия для реализации гипотезы компактности: Евклидова метрика в конечномерном линейном пространстве 3

2 Обучение распознаванию двух классов объектов по методу опорных векторов 4

2.1 Концепция оптимальной разделяющей гиперплоскости в пространстве действительных признаков объектов и классический метод опорных векторов 4

2.2 Вероятностная интерпретация классического метода опорных векторов 8

2.2.1 Вероятностная постановка задачи обучения распознаванию двух классов объектов посредством выбора разделяющей гиперплоскости 8

2.2.2 Априорные и апостериорные вероятности классов объектов 10

2.2.3 Классический метод опорных векторов: Частный случай идентичных независимых нормальных априорных распределений элементов направляющего вектора с одной и той же известной дисперсией 11

2.2.4 Обобщенный метод опорных векторов со взвешенными признаками: Идентичные независимые нормальные априорные распределения элементов направляющего вектора с известными разными дисперсиями 11

3 Отбор подмножества информативных признаков в процессе обучения распознаванию двух классов объектов по методу опорных векторов: Метод релевантных признаков 13

3.1 Независимые совместные априорные нормальные-гамма распределения элементов направляющего вектора и их дисперсий 13

3.2 Метод опорных векторов с релевантными компонентами: Relevance Feature Support Vector Machine (RFSVM) 14

3.3 Алгоритм обучения с заданной селективностью отбора признаков 16

4 Отбор подмножества информативных признаков в процессе обучения распознаванию двух классов объектов по методу опорных векторов: Метод опорных признаков 18

4.1 Независимые идентичные комбинированные распределения элементов направляющего вектора 18

4.2 Двойственная задача обучения 18

4.3 Итерационный алгоритм численного решения двойственной задачи 21

5 Задача оценивания числовой зависимости 23

5.1 Линейная модель числовой зависимости. Центрированная и нормированная обучающая совокупность 23

5.2 Критерий оценивания числовой зависимости Elastic Net 24

5.3 Двойственная задача 25

5.3.1 Общий вид функции Лагранжа 25

Литература 26

1Типовая задача восстановления закономерностей в множествах объектов реального мира

1.1Типовая задача восстановления закономерностей в множествах объектов реального мира

Некоторое множество реально существующих объектов .

Некоторое множество значений скрытой характеристики объектов .

Объективно существующая скрытая функция .

Желание наблюдателя:

Иметь инструмент оценивания скрытой характеристики для реальных объектов

; – ошибка.

1.2Обучение по прецедентам

Обучение по прецедентам:

Подмножество наблюдаемых объектов, для которых измерено значение функции , .

Задача: Продолжить функцию на все множество , так чтобы можно было в дальнейшем оценивать значение рассматриваемой характеристики для новых объектов .

Простейшие случаи:

Задача распознавания образов

– конечное неупорядоченное множество; в частности .

Задача восстановления числовой функции

– множество действительных чисел.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]