...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neurocomputing >Classification approach based on non-negative least squares
【24h】

Classification approach based on non-negative least squares

机译：基于非负最小二乘的分类方法

获取原文
获取原文并翻译 | 示例
   

获取外文期刊封面封底 >>

       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A non-negative least squares classifier is proposed in this paper for classifying under-complete data. The idea is that unknown samples can be approximated by sparse non-negative linear combinations of few training samples. Based on sparse coefficient vectors representing the training data, a sparse interpreter can then be used to predict the class label. We have devised new sparse methods which can learn data containing missing value, which can be trained on over-complete data, and which also apply to tensor data and to multi-class data. Permutation test shows that our approach requires a small number of training samples to obtain significant accuracy. Statistical comparisons on various data shows that our methods perform as well as support vector machines while being faster. Our approach is very robust to missing values and noise. We also show that with appropriate kernel functions, our methods perform verv well on three-dimensional tensor data and run fairlv fast.
机译：本文提出了一种非负最小二乘分类器，对不完整的数据进行分类。这个想法是，未知样本可以通过少量训练样本的稀疏非负线性组合来近似。基于表示训练数据的稀疏系数向量，然后可以使用稀疏解释器来预测类标签。我们设计了新的稀疏方法，可以学习包含缺失值的数据，可以对过完整的数据进行训练，也可以应用于张量数据和多类数据。置换测试表明，我们的方法需要少量的训练样本才能获得显着的准确性。对各种数据的统计比较表明，我们的方法在速度更快的同时，性能与支持向量机一样好。我们的方法对于丢失值和噪声非常鲁棒。我们还表明，使用适当的内核功能，我们的方法在三维张量数据上的Verv表现良好，并且运行速度很快。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号