局部逼近、实插值及机器学习
机器学习
2022-07-19 v1 泛函分析
摘要
我们提出一种基于局部逼近的新分类算法，并解释其与人工神经网络（ANNs）和最近邻分类器的联系。我们在手写数字图像数据集MNIST和EMNIST上进行了演示。我们利用MNIST数据集确定算法的参数，并将这些参数应用于具有挑战性的EMNIST数据集。结果表明，该算法对EMNIST图像的误分类率为0.42%，因此显著优于人类预测和浅层人工神经网络（具有少量隐藏层的ANNs），后两者的错误率均超过1.3%。
引用
@article{arxiv.2207.07720,
title = {Local Approximations, Real Interpolation and Machine Learning},
author = {Eric Setterqvist and Natan Kruglyak and Robert Forchheimer},
journal= {arXiv preprint arXiv:2207.07720},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2204.13141