Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Superfast-Trainable Multi-Class Probabilistic Classifier by Least-Squares Posterior Fitting Pengelas Kebarangkalian Berbilang Kelas Boleh Dilatih Sangat Cepat oleh Least-Squares Posterior Fitting

Masashi SUGIYAMA

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Regresi logistik kernel (KLR) ialah algoritma pengelasan yang berkuasa dan fleksibel, yang mempunyai keupayaan untuk memberikan keyakinan ramalan kelas. Walau bagaimanapun, latihannya--biasanya dijalankan oleh kaedah (kuasi-) Newton--agak memakan masa. Dalam makalah ini, kami mencadangkan algoritma pengelasan probabilistik alternatif yang dipanggil Pengelas Kebarangkalian Kuasa Dua Terkecil (LSPC). KLR memodelkan kebarangkalian kelas-posterior dengan gabungan log-linear fungsi kernel dan parameternya dipelajari dengan kemungkinan maksimum (teratur). Sebaliknya, LSPC menggunakan gabungan linear fungsi kernel dan parameternya dipelajari oleh pemadanan kuasa dua terkecil yang teratur bagi kebarangkalian kelas-posterior sebenar. Terima kasih kepada rumusan kuasa dua terkecil tersusun linear ini, penyelesaian LSPC boleh dikira secara analitik hanya dengan menyelesaikan sistem persamaan linear terlaras dengan cara mengikut kelas. Oleh itu LSPC adalah sangat cekap dari segi pengiraan dan stabil dari segi berangka. Melalui eksperimen, kami menunjukkan bahawa masa pengiraan LSPC adalah lebih pantas daripada KLR dengan dua urutan magnitud, dengan ketepatan pengelasan yang setanding.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E93-D No.10 pp.2690-2701
Tarikh penerbitan
2010/10/01
Diumumkan
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.E93.D.2690
Jenis Manuskrip
Special Section PAPER (Special Section on Data Mining and Statistical Science)
kategori

Pengarang

Kata kunci

Contents [show]