极限学习机的逐样本预测区间
机器学习
2019-12-20 v1 机器学习
摘要
监督式机器学习中的预测区间界定了新样本真实输出可能落入的区域。它们在区分已训练模型的可靠预测与近似随机猜测、最小化假阳性率以及应用机器学习中其他特定任务时是必需的。许多实际问题具有异方差随机输出，这解释了输入相关预测区间的必要性。本文提出通过一个独立的极限学习机（Extreme Learning Machine, ELM）模型来估计输入相关预测区间，使用该模型预测值的方差作为考虑模型不确定性的修正项。该方差由模型的线性输出层通过加权 Jackknife 方法估计。该方法非常快速、对异方差输出鲁棒，并能处理极大数据集与训练数据不足的情况。
引用
@article{arxiv.1912.09090,
title = {Per-sample Prediction Intervals for Extreme Learning Machines},
author = {Anton Akusok and Yoan Miche and Kaj-Mikael Björk and Amaury Lendasse},
journal= {arXiv preprint arXiv:1912.09090},
year = {2019}
}