Оглавление
1 Введение
1.1 Обозначения.
1.2 Вероятность перебучения н обращение оценок.
1.3 Гииергеометрическое распределение .
1.4 Оценка для одного алгоритма
1.4.1 Стандартный критерий переобучения
1.4.2 Квантильиый критерий переобучения
1.5 Комбинаторные оценки ВапникаЧсрвоненкиса и бритвы Оккама . .
1. Оптимальный набор весов в оценке .
1.7 Точная оценка вероятности переобучения но методу МонтеКарло .
2 Обзор литературы
2.1 Модель обучения
2.2 Теория ВапникаЧсрвоненкиса
2.3 Оценки концентрации меры
2.4 енокрытия семейства алгоритмов.
2.5 Всществсннозначные семейства и размерность
2. Радемахеровская сложность
2.7 Оценки с использованием понятия отступа
2.8 подход.
3 Оценки на основе характеристик расслоения семейства
3.1 Профили расслоения семейства алгоритмов.
3.2 Обзор работ но теме
3.3 оценки зависящие от полной выборки
3.4 оценка, зависящая от обучающей выборки
3.5 Выводы.
4 Оценки на основе характеристик сходства алгоритмов в семействе
4.1 Мотивация и постановка задачи.
4.2 Обзор работ по теме.
4.3 Вычисление слагаемых в оценках типа Бонферрони
4.4 Оценка с учетом связности семейства
4.5 Оценка с учетом распределения полустепеней связности алгоритмов . .
4.0 Оценка с учетом монотонных цепей алгоритмов.
4.7 Выводы
5 Характеристики связности семейства линейных классификаторов
5.1 Конфигурации гиперплоскостей.
5.2. Средняя связность
5.3 Зона гиперплоскости в конфигурации
5.4 Дисперсия связности .
О Эксперименты с семейством линейных классификаторов
0.1 Оценки профилей расслоениясвязности по методу МонтеКарло
Ъ.2 Процедура сэмплинга алгоритмов из множества А
0.3 Вычисление оценок.
0.3.1 БЬсПоцснки
0.3.2 Оценки с использованием связности
Список литературы
- Київ+380960830922