基于新型核密度估计器的监督机器学习
机器学习
2007-10-16 v3
摘要
近年来，计算机科学家利用核密度估计对机器学习问题进行建模。基于核密度估计的方法因其构建分类器的时间复杂度低（为 O(n) 或 O(n*log(n))，其中 n 为采样实例数）而备受关注。关于核密度估计器的设计，一个核心问题是点均方误差 (MSE) 和/或积分均方误差 (IMSE) 随采样实例数增加而减小的速度。本文表明，利用所提出的核函数，只要感兴趣点的概率密度函数满足特定条件，无论向量空间的维度如何，均可使密度估计器的点 MSE 以 O(n^-2/3) 的速度收敛。
引用
@article{arxiv.0709.2760,
title = {Supervised Machine Learning with a Novel Kernel Density Estimator},
author = {Yen-Jen Oyang and Darby Tien-Hao Chang and Yu-Yen Ou and Hao-Geng Hung and Chih-Peng Wu and Chien-Yu Chen},
journal= {arXiv preprint arXiv:0709.2760},
year = {2007}
}
评论
The new version includes an additional theorem, Theorem 3