Learning with Generalization Capability by Kernel Methods of Bounded Complexity

0405215 - UIVT-O 330387 RIV NL eng J - Článek v odborném periodiku
Kůrková, Věra - Sanguineti, M.
Learning with Generalization Capability by Kernel Methods of Bounded Complexity.
[Učení se schopností generalizace pomocí jádrových metod omezené složitosti.]
Journal of Complexity. Roč. 21, č. 3 (2005), s. 350-367. ISSN 0885-064X. E-ISSN 1090-2708
Grant CEP: GA AV ČR 1ET100300419
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: supervised learning * generalization * model complexity * kernel methods * minimization of regularized empirical errors * upper bounds on rates of approximate optimization
Kód oboru RIV: BA - Obecná matematika
Impakt faktor: 1.186, rok: 2005

Learning from data with generalization capability is studied in the framework of minimization of regularized empirical error functionals over nested families of hypothesis sets with increasing model complexity.

Učení na základě dat se schopností generalizace je studováno v rámci minimalizace regularizované empirické chyby na hypotetických množinách s rostoucí modelovou složitostí.
Trvalý link: http://hdl.handle.net/11104/0125406