...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pattern recognition letters >Unconstrained large margin distribution machines
【24h】

Unconstrained large margin distribution machines

机译：不受限制的大型保证金分配机

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Large margin distribution machines (LDMs) maximize the margin mean and minimize the margin variance, and show good generalization performance compared to support vector machines (SVMs). But because two additional hyperparameters are necessary, model selection needs more time. In this paper we propose unconstrained large margin distribution machines (ULDMs). In the ULDM, the objective function is the sum of the margin mean (a linear term), the margin variance (a quadratic term), and the weighted regularization term (a quadratic term), and constraints are not included. Therefore, the solution is expressed by a set of linear equations with one hyperparameter for the regularization term. Theoretical analysis proves that the decision boundary between two classes passes through the mean of all mapped training data if the numbers of training data of both classes are the same. The case where the numbers are different is analyzed for a one-dimensional input and how the decision boundary is determined is clarified. Using benchmark data sets, we show that the generalization performance of ULDMs is comparable to or better than that of SVMs. (C) 2017 Elsevier B. V. All rights reserved.
机译：与支持向量机（SVM）相比，大型边际分配机（LDM）使边际平均值最大化，并使边际差异最小，并显示出良好的泛化性能。但是因为需要两个附加的超参数，所以模型选择需要更多时间。在本文中，我们提出了无约束的大型利润分配机（ULDM）。在ULDM中，目标函数是边际均值（线性项），边际方差（二次项）和加权正则项（二次项）的总和，并且不包括约束。因此，该解决方案由一组线性方程表示，该线性方程具有一个用于正则项的超参数。理论分析证明，如果两个类别的训练数据的数量相同，则两个类别之间的决策边界将通过所有映射训练数据的均值。对于一维输入，分析数字不同的情况，并阐明如何确定决策边界。使用基准数据集，我们表明ULDM的泛化性能可与SVM媲美甚至更好。 （C）2017 Elsevier B.V.保留所有权利。

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