Оглавление
Введение
1 Комбинаторная теория переобучения
1.1 Основные понятия и обозначения.
1.2 Постановка задачи.
2 Методы получения комбинаторных оценок вероятности переобучения
2.1 Послойный метод.
2.2 Метод индикаторов.
2.3 Метод МонтеКарло для решения задачи о семействе алгоритмов .
3 Модельные семейства алгоритмов
3.1 Пара алгоритмов.
3.2 Монотонная и унимодальная цепи
3.2.1 Монотонная цепь .
3.2.2 Унимодальная цепь
3.3 Многомерные симметричные модели.
3.3.1 Единичная окрестность
3.3.2 Единичный гиперкуб.
3.3.3 Монотонная сеть
3.3.4 Связка цепей.
33.5 Унимодальная сеть
3.3.б Мажорируемость многомерных семейств
3.4 Несимметричные модели.
3.4.1 Монотонная несимметричная сеть.
3.4.2 Несимметричная связка цепей
3.4.3 Унимодальная несимметричная сеть.
3.4.4 Мажорируемость многомерных семейств
4 Применение модельных семейств алгоритмов в эксперименте
4.1 Аппроксимация семейств
4.1.1 Аппроксимация унимодальной сети монотонной сетью удвоенной размерности.
4.1.2 Отбрасывание старших слоев семейства.
4.1.3 Сопоставление графиков Се полученных в эксперименте с графиками Сс от монотонных сетей.
4.1.4 Аппроксимация семейств, получаемых на практике, унимодальной несимметричной сетью
4.1.5 Использование метода МонтеКарло для оценки шдюятности переобучения семейств.
4.2 Метод минимизации предсказанного риска
4.2.1 Бинарное решающее дерево.
4.2.2 Эксперимент па реальных данных.
Приложение
Заключение
з
Введение
Диссертационная работа относится к математической теории распознавания и классификации и посвящена проблеме повышения обобщающей способности алгоритмов классификации с помощью точных комбинаторных оценок вероятности переобучения для модельных семейств алгоритмов.
Актуальность
- Київ+380960830922