唐凤珍;彼得·蒂奥 基于学习矢量量化的序数回归。 (英语) Zbl 1439.62160号 神经网络。 93, 76-88 (2017). 摘要:最近,序数回归(ordinal regression)受到了相当大的关注,它可以预测序数尺度的类别。在本文中,我们提出了一种在学习向量量化框架内解决序数回归问题的新方法。它用更合适的自然代价函数扩展了以前称为序数广义矩阵学习向量量化的方法,从而得到更直观的参数更新规则。此外,在我们的方法中,原型权重的带宽是自动调整的。对大量数据集的实证研究表明,与其他序数回归方法相比,该方法总体上具有更好的样本外性能。 引用于2文件 MSC公司: 62年02月 一般非线性回归 68T05型 人工智能中的学习和自适应系统 62甲12 多元分析中的估计 62M45型 神经网络及从随机过程推断的相关方法 关键词:顺序回归;学习矢量量化;广义矩阵学习矢量量化 PDF格式BibTeX公司 XML格式引用 \textit{F.Tang}和\textit{P.Tiňo},神经网络。93、76-88(2017年;Zbl 1439.62160) 全文: DOI程序 链接 参考文献: [1] 楚·W。;Ghahramani,Z.,有序回归的高斯过程,机器学习研究杂志,61019-1041(2005)·Zbl 1222.68170号 [3] 楚·W。;Keerthi,S.S.,支持向量顺序回归,神经计算,19,3,792-815(2007)·Zbl 1127.68080号 [4] 克拉默,K。;Singer,Y.,Pranking with ranking,(神经信息处理系统进展,14(2001),麻省理工学院出版社),641-647 [5] Dikkers,H。;Rothkrantx,L.,《有序分类中的支持向量机:在企业信用评分中的应用》,《神经网络世界》,3,1,59-70(2012) [6] 福阿德,S。;Tiňo,P.,序数分类的自适应度量学习矢量量化,神经计算,24,11,2825-2851(2012)·Zbl 1268.68137号 [8] Gutiérrez,P.A。;Tiňo,P.C.H.-M.,基于同心超球面的有序回归神经网络,神经网络,59,0,51-60(2014)·兹比尔1325.68188 [9] Herbrich,R。;Graepel,T。;Obermayer,K.,《序数回归的大边距秩界》,115-132(2000),麻省理工学院出版社:麻省理学院出版社,马萨诸塞州剑桥,第7章 [10] Kohonen,T.,用于模式识别的学习矢量量化,技术报告tkf-a601(1986),赫尔辛基理工大学:赫尔辛基科技大学,芬兰埃斯波 [11] Kohonen,T.,《大脑理论和神经网络手册》,537-540(1995),麻省理工学院出版社,中国学习矢量量化 [12] 克莱默,S。;Widmer,G。;普法林格,B。;de Groeve,M.,使用回归树预测序数类,信息学基础,47,1-2,1-13(2001)·Zbl 1016.68079号 [13] 拉尔·R。;坎贝尔,M.J。;Walters,S.J。;Morgan,K.,《应用于健康相关生活质量评估的序数回归模型综述》,《统计方法医学研究》,第11期,第49-67页(2012年)·Zbl 1121.62627号 [15] Lin,H.-T。;Li,L.,从成本敏感序数排序到加权二进制分类的简化,神经计算,24,5,1329-1367(2012)·Zbl 1247.68219号 [16] 桑切兹·莫内德罗,J。;Gutiérrez,P.A。;Tiňo,P。;Hervás-Martínez,C.,利用两两类距离进行有序分类,神经计算,25,9,2450-2485(2013)·Zbl 1448.91247号 [17] 佐藤。;Yamada,K.,广义学习矢量量化,(Touretzky,D.;Mozer,M.;Hasselmo,M.,《神经信息处理系统的进展》,8(1996),麻省理工学院出版社,423-429 [18] 施耐德,P。;比尔,P。;Hammer,B.,学习向量量化中的自适应相关矩阵,神经计算,21,123532-3561(2009)·Zbl 1192.68537号 [19] 施耐德,P。;贝尔,M。;Hammer,B.,概率原型模型中的超参数学习,神经计算,73,7-9,1117-1124(2010) [20] 西阿,C.-W。;Tsang,I.W。;Ong,Y.-S.,传递序数回归,IEEE神经网络和学习系统事务,23,7,1074-1086(2012) [22] Sun,B.-Y。;Li,J.等人。;Wu,D.D。;张,X.-M。;Li,W.,序数回归的核判别学习,IEEE知识与数据工程学报,22,6,906-910(2010) [23] 蒂诺,P。;Schittenkopf,C。;Dorffner,G.,量化金融时间序列中通过时间模式识别的波动性交易,模式分析与应用,4,4,283-299(2001)·Zbl 0985.68689号 [24] Villmann,B.Hammer,广义相关学习矢量量化,神经网络,15,8-9,1059-1068(2002) [25] Yan,H.,用于全自动面部美容评估的成本敏感有序回归,神经计算,129334-342(2014) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。