نویسنده
Özöğür Akyuz, S., Üstünkar, Gürkan, Weber, G.W.
تاریخ انتشار
2016-05
محل انتشار
-
شرکت انتشارات علمی جهانی
موضوع
یادگیری هسته بی نهایت، ماشین های بردار پشتیبانی، بهینه سازی، رویه چند محلی، یادگیری هسته های چندگانه، بازپخت شبیه سازی شده
نوع
دوره ای
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شناسه دارایی کتابخانه
1793-6381
شماره ثبت
d89fd08e-ba26-4217-afe4-ec2bbaee161f
تاریخ
2016-05
یادداشتها
با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است.
متن نمونه
تعامل یادگیری ماشین (ML) و روشهای بهینهسازی، زمینه نوظهوری از هوش مصنوعی است. هم ML و هم بهینهسازی با مدلسازی سیستمهای مرتبط با مسائل دنیای واقعی سروکار دارند. انتخاب پارامتر برای مدل های طبقه بندی یک کار مهم برای الگوریتم های ML است. در تئوری یادگیری آماری، اعتبارسنجی متقاطع (CV) که شناخته شده ترین روش انتخاب مدل است، می تواند برای مجموعه داده های بزرگ بسیار زمان بر باشد. یکی از تکنیکهای انتخاب مدل اخیر توسعهیافته برای ماشینهای بردار پشتیبان (SVM) بر اساس حاشیههای نقطه آزمایش مشاهده شده است. در این مطالعه، استراتژی حاشیه مشاهده شده در الگوریتم جدید یادگیری هسته بینهایت (IKL) همراه با روش چند محلی (MLP) که یک تکنیک بهینهسازی برای یافتن راهحل جهانی است، ادغام میشود. نتایج تجربی بهبود در دقت و سرعت را در مقایسه با یادگیری هسته چندگانه (MKL) و برنامهریزی خطی نیمه نامتناهی (SILP) با CV نشان میدهد.
DOI
10.1142/S0218001416510046
Cilt
30
