Vapnik-Chervonenkis 维在模型选择中的使用

Merlin Mpoudeu

Vapnik-Chervonenkis 维在模型选择中的使用

机器学习 2018-08-22 v1 机器学习

作者: Merlin Mpoudeu

摘要

在本学位论文中,我推导了一种估计线性函数类的 Vapnik-Chervonenkis 维(VCD)的新方法。该方法受 Vapnik 等人(Vapnik et al., 1994)所开发技术的启发。我的贡献基于两个经验损失之间期望最大差异(EMDBTEL)的近似。事实上,我使用误差的交叉验证形式来计算 EMDBTEL,并通过最小化其右上界中的一个常数使 EMDBTEL 的界更紧。我还利用加性(ERM1)和乘性(ERM2)Chernoff 界推导了真实未知风险的两个界。这些界依赖于估计的 VCD 和经验风险。这些界可用于执行模型选择,并以高概率声明所选模型表现更好,而无需对数据生成过程(DG)做强假设。我在模拟数据集以及三个真实数据集上度量了我的技术的准确性。在合理条件下,VCD 提供的模型选择总是与其他方法一样好,甚至更好。

关键词

Vapnik-Chervonenkis 维模型选择线性函数经验风险 Chernoff 界交叉验证

引用

@article{arxiv.1808.06684,
  title  = {Use Of Vapnik-Chervonenkis Dimension in Model Selection},
  author = {Merlin Mpoudeu},
  journal= {arXiv preprint arXiv:1808.06684},
  year   = {2018}
}

备注

131 pages, 34 figures, and 44 tables

Vapnik-Chervonenkis 维在模型选择中的使用

摘要

关键词

引用

备注

相关论文