کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5776087 1631966 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning performance of regularized moving least square regression
ترجمه فارسی عنوان
عملکرد یادگیری رگرسیون حداقل مربعات متحرک ثابت شده
کلمات کلیدی
ترجمه چکیده
حرکت رگرسیون حداقل مربع یک الگوریتم یادگیری محلی محسوب می شود. در این مقاله، ما یک الگوریتم رگرسیون حداقل مربعی ثابت را در بازتولید فضای هیلبرت هسته در نظر می گیریم. قضیه ارجاع دهنده محلی متمایز از قضیه های کلاسیک ارجاع دهنده برای دستگاه های اصلاح شده هسته است. این نشان می دهد که تنظیم درست نه تنها ثبات محاسباتی را تضمین می کند، بلکه الگوریتم نیز برای حفظ ویژگی های محلی سازی ضروری است. ما همچنین عملکرد یادگیری الگوریتم کمترین مربع متحرک ثابت را بررسی کردیم و یک تحلیل خطای دقیق انجام دادیم. در مقایسه با روش غیرمتمرکز، تحلیل همگرایی رگرسیون حداقل مربعات متحرک منظم، نیازمند شرایط طبیعی و بسیار ساده تر است و نرخ های سریع را به دست می آورد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
عملکرد یادگیری رگرسیون حداقل مربعات متحرک ثابت شده
چکیده انگلیسی
Moving least square regression is an important local learning algorithm. In this paper, we consider a regularized moving least square regression algorithm in reproducing kernel Hilbert space. The localized representer theorem is different from the classical representer theorems for regularized kernel machines. It shows that, regularization not only ensures the computational stability, it is also necessary for the algorithm to preserve localization property. We also studied the learning performance of the regularized moving least square algorithm and conducted a rigorous error analysis. Compared with the unregularized method, convergence analysis of regularized moving least square regression requires more natural and much simpler conditions and achieves fast rates.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Computational and Applied Mathematics - Volume 325, 1 December 2017, Pages 42-55
نویسندگان
, ,