Robustes Boosting durch konvexe Optimierung

Gunnar Rätsch, D. WagnerMPG.PuRe 2002 · OpenAlex

Abstract

Lernmaschinen extrahieren Informationen aus einer gegebenen Menge von Trainingsbeispielen, so dass sie in der Lage sind, Eigenschaften von bisher ungesehenen Beispielen – z.B. eine Klassenzugehorigkeit – vorherzusagen. Wir betrachten den Fall, bei dem die resultierende Klassifikationsoder Regressionsregel aus einfachen Regeln – den Basishypothesen – zusammengesetzt ist. Die sogenannten Boosting-Algorithmen erzeugen iterativ eine gewichtete Summe von Basishypothesen, die gut auf ungesehenen Beispielen vorhersagen. In der Dissertation wurden folgende Sachverhalte behandelt:
BibTeX
@inproceedings{ratsch2002robustes,
  author = {Gunnar Rätsch and D. Wagner},
  title = {{Robustes Boosting durch konvexe Optimierung}},
  booktitle = {MPG.PuRe},
  year = {2002},
}

Loading related content...

Figure