Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes
2013
Le problème considéré dans cet article concerne l’optimisation des hyperparamètres d’une fonction noyau Gaussienne à l’aide de mesures de similitude entre matrices. Deux contributions sont proposées : 1) une nouvelle mesure de similarité entre fonctions noyaux et 2) une nouvelle paramétrisation pour les noyaux Gaussiens. Des améliorations des temps de calculs et des taux de bonnes classifications par rapport à la validation croisée pour un classifier k-nn sont obtenues sur des jeux de données standards.
Afficher plus [+] Moins [-]The problem considered in this paper concerns the optimization of the hyperparameters of a Gaussian kernel function using a similarity measure between matrices. Two contributions are proposed: 1) a new measure of similarity between kernel functions and 2) a new parameterization for the Gaussian kernel. Improvements in terms of computation time and classification accuracies by comparison to cross-validation are obtained on standard data set for a k-nn classifier.
Afficher plus [+] Moins [-]Mots clés AGROVOC
Informations bibliographiques
Cette notice bibliographique a été fournie par Fundamental Library of Latvia University of Life Sciences and Technologies
Découvrez la collection de ce fournisseur de données dans AGRIS