| عنوان فارسی مقاله: | تابع زبان C برای دسته بندی الگوها |
| عنوان انگلیسی مقاله: | The C loss function for pattern classification |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2014 |
| تعداد صفحات مقاله انگلیسی | 13 صفحه |
| تعداد صفحات ترجمه مقاله | 36 صفحه |
| مجله | الگو شناسی |
| دانشگاه | ایلینوی |
| کلمات کلیدی | دسته بندی- Correntropy- شبکه عصبی- تابع زیان- بک پروجکشن |
| نشریه | Elsevier |
فهرست مطالب:
چکیده
۱ مقدمه
۲ نظریه آماری دسته بندی
۱ ۲ توابع زیان و ریسک
۲ ۲ قاعده تصمیم بهینه بیز
۳ ۲ همسانی و سازگاری فیشر
۳ تابع زیان القایی با Correntropy
۴ آموزش با استفاده از تابع زیان C
۵ آزمایشات و نتایج
۶ بحث
۱ ۶ کاربرد
۲ ۶ انتخاب اندازه هسته
۳ ۶ انتخاب طرح سوئیچینگ
۷ نتیجه گیری
بخشی از ترجمه:
چکیده:
مقاله حاضر تابع زیان جدیدی برای دسته بندی شبکه های عصبی معرفی می کند که از معیار تشابه اخیراً پیشنهاد شده به نام الهام گرفته است. در اینجا نشان می دهیم که این تابع برای نمونه هایی که درست در مرز تصمیم قرار داشته و دارای خطاهای کوچکی هستند و یا نرم شمارش برای نمونه هایی که دور افتاده بوده یا دسته بندی آنها سخت و دشوار می باشد، اساساً مثل زیان مربعی معمولی عمل می کند. بسته به مقدار پارامتر اندازه هسته، تابع زیان پیشنهاد شده به صورت هموار از محدب به غیر محدب حرکت کرده و به تقریبی نزدیک برای زیان دسته بندی نادرست تبدیل می شود ( زیان ایده آل 0-1). در اینجا نشان می دهیم که تابع تشخیص بدست آمده از طریق بهینه سازی تابع زیان پیشنهادی در همسایگی تابع زیان ایده آل 0-1 برای آموزش شبکه عصبی، در برابر بیش برازش ایمن بوده، در برابر نمونه های دورافتاده پایدار و در مقایسه با دیگر توابع زیان معمولاً بکاررفته حتی بعد از آموزش بلند مدت، عملکرد تعمیم بهتر و همسانی از خود به معرض نمایش می گذارد. نتایج بدست آمده همچنین نشان می دهد که این تابع رقیبی نزدیک برای SVM نیز محسوب می شود. از آنجایی که روش پیشنهاد شده با یادگیری آنلاین مبتنی بر گرادیان سازگاری دارد، در نتیجه شیوه ای عملی برای بهبود عملکرد دسته بندهای شبکه های عصبی محسوب می شود.
مقدمه
هدف دسته بندی، تخصیص برچسب ها به داده ها با استفاده از یک قاعده تصمیم بهینه می باشد که با استفاده از مجموعه نمونه های آموزشی از پیش برچسب گذاری شده، فرا گرفته شده اند. این قاعده تصمیم بهینه یا تابع تشخیص f با به حداقل رساندن ریسک تجربی فرا گرفته شده است، که میانگین نمونه تابع زیان نام دارد. زیان – تابع پیشگویی fx ، و برچسب در ست y – ، اساساً قیمت و بهای پرداخت شده برای پیشگویی برچسب fx به جای y را نشان می دهد. این روش برای یادگیری تابع تشخیص، به حداقل رساندن ریسک تجربی نامیده شده و اصل کاربردی برای دسته بندی و یادگیری آماری محسوب می شود.
| عنوان فارسی مقاله: | تابع زبان C برای دسته بندی الگوها |
| عنوان انگلیسی مقاله: | The C loss function for pattern classification |
خرید ترجمه فارسی مقاله با فرمت ورد