Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "empirical risk minimization" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    On a dense minimizer of empirical risk in inverse problems
    Autorzy:
    Podlewski, J.
    Szkutnik, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/952841.pdf
    Data publikacji:
    2016
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    inverse problem
    empirical risk minimization
    Opis:
    Properties of estimators of a functional parameter in an inverse problem setup are studied. We focus on estimators obtained through dense minimization (as opposed to minimization over δ-nets) of suitably defined empirical risk. At the cost of imposition of a sort of local finite-dimensionality assumption, we fill some gaps in the proofs of results published by Klemela and Mammen [Ann. Statist. 38 (2010), 482-511]. We also give examples of functional classes that satisfy the modified assumptions.
    Źródło:
    Opuscula Mathematica; 2016, 36, 5; 671-679
    1232-9274
    2300-6919
    Pojawia się w:
    Opuscula Mathematica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A note on orthogonal series regression function estimators
    Autorzy:
    Popiński, Waldemar
    Powiązania:
    https://bibliotekanauki.pl/articles/1338775.pdf
    Data publikacji:
    1999
    Wydawca:
    Polska Akademia Nauk. Instytut Matematyczny PAN
    Tematy:
    consistent estimator
    orthonormal system
    empirical risk minimization
    nonparametric regression
    Opis:
    The problem of nonparametric estimation of the regression function f(x) = E(Y | X=x) using the orthonormal system of trigonometric functions or Legendre polynomials $e_k$, k=0,1,2,..., is considered in the case where a sample of i.i.d. copies $(X_i,Y_i)$, i=1,...,n, of the random variable (X,Y) is available and the marginal distribution of X has density ϱ ∈ $L^1$[a,b]. The constructed estimators are of the form $\widehat f_n(x) = \sum_{k=0}^{N(n)}\widehat c_ke_k(x)$, where the coefficients $\widehat c_0,\widehat c_1,...,\widehat c_N$ are determined by minimizing the empirical risk $n^{-1}\sum_{i=1}^n(Y_i - \sum_{k=0}^Nc_ke_k(X_i))^2$. Sufficient conditions for consistency of the estimators in the sense of the errors $E_X\vert f(X)-\widehat f_n(X)\vert^2$ and $n^{-1}\sum_{i=1}^nE(f(X_i)-\widehat f_n(X_i))^2$ are obtained.
    Źródło:
    Applicationes Mathematicae; 1999, 26, 3; 281-291
    1233-7234
    Pojawia się w:
    Applicationes Mathematicae
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Joint feature selection and classification for positive unlabelled multi-label data using weighted penalized empirical risk minimization
    Autorzy:
    Teisseyre, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/2142491.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    positive data
    unlabelled data
    multilabel classification
    feature selection
    empirical risk minimization
    dane pozytywne
    dane nieoznaczone
    klasyfikacja wieloetykietowa
    selekcja cech
    Opis:
    We consider the positive-unlabelled multi-label scenario in which multiple target variables are not observed directly. Instead, we observe surrogate variables indicating whether or not the target variables are labelled. The presence of a label means that the corresponding variable is positive. The absence of the label means that the variable can be either positive or negative. We analyze embedded feature selection methods based on two weighted penalized empirical risk minimization frameworks. In the first approach, we introduce weights of observations. The idea is to assign larger weights to observations for which there is a consistency between the values of the true target variable and the corresponding surrogate variable. In the second approach, we consider a weighted empirical risk function which corresponds to the risk function for the true unobserved target variables. The weights in both the methods depend on the unknown propensity score functions, whose estimation is a challenging problem. We propose to use very simple bounds for the propensity score, which leads to relatively simple forms of weights. In the experiments we analyze the predictive power of the methods considered for different labelling schemes.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2022, 32, 2; 311--322
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies