Resumen

Consideramos una familia de algoritmos de clasificación generados a partir de un esquema de regularización de núcleo asociado con un regularizador - y una función de pérdida convexa. Nuestro objetivo principal es proporcionar una tasa de convergencia explícita para el error de clasificación excesivo de los clasificadores producidos. La descomposición del error incluye error de aproximación, error de hipótesis y error de muestra. Aplicamos algunas técnicas novedosas para estimar el error de hipótesis y el error de muestra. Finalmente, se derivan tasas de aprendizaje bajo algunas suposiciones sobre el núcleo, el espacio de entrada, la distribución marginal y el error de aproximación.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Regularización; Núcleo; Algoritmos de clasificación; Tasa de convergencia; Error de clasificación erróneo; Error de aproximación
• Keywords:Regularization; Kernel; Classification algorithms; Convergence rate; Misclassification error; Approximation error