Classification based on prototypes with spheres of influence

ما یک خانواده از طبقه بندی های دوتایی را ارائه می کنیم و عملکرد آنها را تجزیه و تحلیل می کنیم. هر طبقه بندی با مجموعه ای از "نمونه های اولیه"، با برچسب های داده شده تعیین می شود. طبقه بندی یک نقطه معین از طریق علامت یک تابع تشخیصی تعیین می شود. برای هر نمونه اولیه، حوزه نفوذ آن بزرگترین حوزه ای است که در آن متمرکز است و شامل هیچ نمونه اولیه از برچسب مخالف نیست و با توجه به نقطه ای که باید طبقه بندی شود، در این نقطه سهم تابع تبعیض آمیز از دقیقا آن نمونه هایی است که حوزه های آن نفوذ دارای نقطه است. این سهم مثبت از نمونه های مثبت و منفی از نمونه های منفی است. این مشارکتها در مقدار مطلق بزرگتر است و نقطه نزدیکتر (نسبت به شعاع حوزه) به نمونه اولیه است. ما خطای تعمیم چنین طبقه بندی ها را در یک مدل یادگیری احتمالاتی استاندارد محاسبه می کنیم که شامل مقادیر عملکرد تشخیصی در نقاط یک نمونه ی آموزشی تصادفی می شود.