La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Superfast-Trainable Multi-Class Probabilistic Classifier by Least-Squares Posterior Fitting Classificateur probabiliste multiclasse ultra-rapide par ajustement postérieur des moindres carrés

Masashi SUGIYAMA

  • Vues en texte intégral

    0

  • Citer

Résumé:

La régression logistique du noyau (KLR) est un algorithme de classification puissant et flexible, qui possède la capacité de fournir la confiance de la prédiction de classe. Cependant, sa formation, généralement réalisée par des méthodes (quasi-)Newton, prend beaucoup de temps. Dans cet article, nous proposons un algorithme alternatif de classification probabiliste appelé Classificateur probabiliste des moindres carrés (LSPC). KLR modélise la probabilité a posteriori de classe par la combinaison log-linéaire des fonctions du noyau et ses paramètres sont appris par maximum de vraisemblance (régularisé). En revanche, LSPC utilise la combinaison linéaire de fonctions de noyau et ses paramètres sont appris par ajustement des moindres carrés régularisés de la véritable probabilité a posteriori de classe. Grâce à cette formulation des moindres carrés régularisés linéaires, la solution de LSPC peut être calculée analytiquement simplement en résolvant un système régularisé d'équations linéaires d'une manière par classe. Ainsi, LSPC est très efficace sur le plan informatique et numériquement stable. Par des expériences, nous montrons que le temps de calcul du LSPC est deux fois plus rapide que celui du KLR, avec une précision de classification comparable.

Publication
IEICE TRANSACTIONS on Information Vol.E93-D No.10 pp.2690-2701
Date de publication
2010/10/01
Publicisé
ISSN en ligne
1745-1361
DOI
10.1587/transinf.E93.D.2690
Type de manuscrit
Special Section PAPER (Special Section on Data Mining and Statistical Science)
Catégories

Auteurs

Mots-clés

Table des matières