自适应原型学习算法：理论与实验研究
傅昌、林钦钦、陆志仁; 7(76):2125−2148, 2006.
摘要
在本文中，我们提出了一些自适应原型学习（APL）算法。他们使用相同的算法方案来确定原型的数量和位置，但使用不同样本或样本的加权平均值作为原型距离度量的假设。理解这些算法从理论上讲，我们讨论了它们的收敛性质，以及在某些条件下的一致性。我们还介绍APL的软版本，其中允许非零训练错误为了提高结果的泛化能力分类器。将提出的算法应用于12个UCI基准测试数据集，我们证明它们优于许多基于实例的学习算法k个-最近邻规则和支持向量机器的平均测试精度。
[腹肌]
[pdf格式][围兜]
