统计学 > 机器学习
[提交于 2012年8月13日
]
标题: 非参数稀疏性和正则化
标题: Nonparametric sparsity and regularization
摘要: 在这项工作中,我们关注的是当输入-输出依赖关系由少数变量的非线性函数描述时,监督学习和变量选择问题。 我们的目标是考虑一个稀疏的非参数模型,因此避免了线性或加性模型。 关键思想是通过利用偏导数来衡量模型中每个变量的重要性。 基于这一直觉,我们提出了一个新的非参数稀疏性的概念以及相应的最小二乘正则化方案。 利用再生核希尔伯特空间和近似方法理论中的概念和结果,我们证明所提出的学习算法对应于一个可以通过迭代过程可证求解的最小化问题。 所得到估计量的一致性性质在预测和选择性能方面都进行了研究。 广泛的实证分析表明,所提出的方法相对于最先进的方法表现出色。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.