HyperAI

نظرية الفاصل الزمنيإنه مفهوم في آلات دعم المتجهات، حيث يشير الفاصل الزمني إلى الحد الأدنى للمسافة بين نوعين من العينات مقسومًا على مستوى فائق، ويمكن استخدام نظرية الفاصل الزمني لشرح أنه عندما يكون خطأ التدريب في خوارزمية AdaBoost هو 0، فإن التدريب المستمر يمكن أن يحسن بشكل أكبر أداء التعميم للنموذج.

دع x و y يمثلان فضاءات الإدخال والإخراج للعينات، و D هو التوزيع الحقيقي للعينات على x · y، و س= ${{ \{ \left( {x\mathop{{}}\nolimits_{{{1}},y\mathop{{}}\nolimits_{{{1}}} \right) },…,{ \left( {x\mathop{{}}\nolimits_{{{m}},y\mathop{{}}\nolimits_{{m}}} \right) }} \}$ هي عينة على العينة D. في فضاء الفرضية H، يتم ترجيح المصنفات الأساسية h : x → y عند دمجها لتشكيل مصنف مجموعة. ف ∈ C(H)، وهو الغلاف المحدب لـ H.

في خوارزمية AdaBoost، يتم إنتاج المصنف الجماعي f(x) عن طريق التصويت المرجح لسلسلة من المصنفات الأساسية، أي، ${f{ \left( {x} \right) }\text{ }=\text{ }{\mathop{ \sum }\limits_{{i}}{ \alpha \mathop{{}}\nolimits_{{i}}h\mathop{{}}\nolimits_{{i}}{ \left( {x} \right) }}}}$ . حيث ${{\mathop{ \sum }\limits_{{i}}{ \alpha \mathop{{}}\nolimits_{{i}}}\text{ }=\text{ }1, \alpha \mathop{{}}\nolimits_{{i}}\text{ } \ge \text{ }0}$ ، بناءً على تعريف المصنف القوي، يمكن تعريف الفاصل الزمني التالي:

${yf{ \left( {x} \right) }\text{ }=\text{ }{\mathop{ \sum }\limits_{{i:y=h\mathop{{}}\nolimits_{{i}}{ \left( {x} \right) }}}{ \alpha \mathop{{}}\nolimits_{{i}}}}\text{ }-\text{ }{\mathop{ \sum }\limits_{{i:y \neq h\mathop{{}}\nolimits_{{i}}{ \left( {x} \right) }}}{ \alpha \mathop{{}}\nolimits_{{i}}}}$

وهذا يعني الفرق المرجح بين الأصوات الصحيحة والأصوات غير الصحيحة.

مراجع

【1】"الهامش" في التعلم الآلي

نظرية الهامش

مراجع

بناء الذكاء الاصطناعي بالذكاء الاصطناعي

Hyper Newsletters

Command Palette

نظرية الهامش

مراجع

بناء الذكاء الاصطناعي بالذكاء الاصطناعي

Hyper Newsletters