本文關鍵詞：有指導機器學習超參數(shù)的交叉驗證智能優(yōu)化

  更多相關文章： 交叉驗證 有指導學習 模型選擇 智能優(yōu)化

【摘要】：不合理的模型超參數(shù)會導致有指導機器學習過擬合或欠擬合,文中提出模型超參數(shù)的交叉驗證智能優(yōu)化方法:利用交叉驗證評價不同參數(shù)下的學習性能,在此基礎之上構建智能尋優(yōu)技術路線.實驗結果表明:利用交叉驗證性目標函數(shù),智能優(yōu)化算法自適應地根據(jù)目標函數(shù)和約束求解,可高效、準確地優(yōu)化學習器超參數(shù).
【作者單位】： 西安工業(yè)大學經濟與管理學院;西安工業(yè)大學計算機科學與工程學院;承德石油高等�？茖W校社科與數(shù)理部;
【基金】：承德市科學技術研究與發(fā)展計劃項目(20153021) 陜西省普通高等學校哲學社會科學特色學科建設項目 西安工業(yè)大學科研創(chuàng)新團隊建設計劃
【分類號】：TP181
【正文快照】： 機器學習致力于研究如何通過計算的手段,利用經驗來改善系統(tǒng)自身的性能.在計算機系統(tǒng)中,“經驗”常以“數(shù)據(jù)”的形式存在,機器學習所研究的主要內容是在計算機上從數(shù)據(jù)中產生“模型”的算法,即“學習算法”[1].有指導學習(SupervisedStudy)在相對應的輸入變量X、目標變量y的指

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 楊斌,聶在平;一種支持向量回歸中超參數(shù)自適應方法[J];廣西師范大學學報(自然科學版);2003年01期

2 金添;周智敏;宋千;常文革;;基于證據(jù)框架的模糊超球面支持向量機超參數(shù)優(yōu)化[J];應用科學學報;2007年03期

3 宋杰;;一種新的無參數(shù)支持向量機分類器[J];計算機工程;2007年23期

4 燕飛;秦世引;;一種基于模擬退火的支持向量機超參數(shù)優(yōu)化算法[J];航天控制;2008年05期

5 張宏達;王曉丹;徐海龍;;用于RBF-SVM參數(shù)搜索的偽梯度動態(tài)步長算法[J];電子科技大學學報;2010年04期

6 饒\~;楊志平;甘志剛;;SVR算法在指數(shù)預測中的應用研究[J];浙江交通職業(yè)技術學院學報;2012年04期

7 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 李潔;高峰;管曉宏;周佃民;;支持向量回歸學習方法中基于穩(wěn)定型GA的超參數(shù)選擇[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 劉麗娟;支持向量機超參數(shù)調節(jié)方法的研究及其在人臉識別中的應用[D];重慶大學;2010年

2 孫鑫;基于LS_SVM建立發(fā)酵過程動態(tài)模型及其參數(shù)優(yōu)化[D];北京工業(yè)大學;2013年

，

本文編號：1148292