Počet záznamů: 1
Computational Properties of Probabilistic Neural Networks
- 1.
SYSNO ASEP 0350163 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Computational Properties of Probabilistic Neural Networks Tvůrce(i) Grim, Jiří (UTIA-B) RID, ORCID
Hora, Jan (UTIA-B)Zdroj.dok. Artificial Neural Networks – ICANN 2010, Part III. - Berlin Heidelberg : Springer Verlag, 2010 / Diamantaras K. ; Duch Wlodzislaw ; Iliadis L.S. - ISBN 978-3-642-15818-6 Rozsah stran s. 31-40 Poč.str. 10 s. Akce ICANN 2010. International Conference on Artificial Neural Networks /20./ Datum konání 15.09.2010-18.09.2010 Místo konání Thessaloniki Země GR - Řecko Typ akce WRD Jazyk dok. eng - angličtina Země vyd. DE - Německo Klíč. slova Probabilistic neural networks ; Statistical pattern recognition ; Subspace approach ; Overfitting reduction Vědní obor RIV IN - Informatika CEP GA102/07/1594 GA ČR - Grantová agentura ČR 1M0572 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy CEZ AV0Z10750506 - UTIA-B (2005-2011) UT WOS 000290245400004 DOI 10.1007/978-3-642-15825-4_4 Anotace We discuss the problem of overfitting of probabilistic neural networks in the framework of statistical pattern recognition. The probabilistic approach to neural networks provides a statistically justified subspace method of classification. The underlying structural mixture model includes binary structural parameters and can be optimized by EM algorithm in full generality. Formally, the structural model reduces the number of parameters included and therefore the structural mixtures become less complex and less prone to overfitting. We illustrate how recognition accuracy and the effect of overfitting is influenced by mixture complexity and by the size of training data set. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2011
Počet záznamů: 1