×
巴斯蒂安·博恩;迈克尔·格里贝尔

离散函数空间上多元回归的误差估计。 （英文） Zbl 1403.62058号

SIAM J.数字。分析。 55，第4期，1843-1866（2017）.
摘要：在本文中，我们将讨论回归设置的离散化误差，并根据离散化空间的近似性质导出误差界。此外，我们将指出采样误差和离散化误差是如何相互作用的，以及如何适当地平衡它们。我们将给出两个基于张量积空间（稀疏网格、双曲线交叉）的示例，这两个示例为中等维的大样本集提供了一种合适的方法。

引用于4文件

MSC公司：

62G08号 非参数回归和分位数回归
41A25型 收敛速度，近似度
41A63型 多维问题
62甲12 多元分析中的估计
68T05型 人工智能中的学习和自适应系统

关键词：

回归，回归;学习理论;收敛速度;离散函数空间;稀疏网格;偏方差问题
PDF格式BibTeX公司 XML格式引用
\textit{B.Bohn}和\textit{M.Griebel}，SIAM J.Numer。分析。55，第4号，1843--1866（2017；Zbl 1403.62058）
全文： 内政部

参考文献：

[1] F.Bach、R.Jenatton、J.Mairal和G.Obozinski，{使用稀疏诱导惩罚进行优化}，现出版公司，荷兰布雷达，2011年·Zbl 06064248号
[2] P.Binev、A.Cohen、W.Dahmen、R.DeVore和V.Temlyakov，《学习理论的通用算法——第一部分：分段常数函数》，J.Mach。学习。Res.，6（2005），第1297-1321页·兹比尔1191.62068
[3] P.Binev、A.Cohen、W.Dahmen、R.DeVore和V.Temlyakov，{学习理论的通用算法-第二部分：分段多项式函数}，Constr。约，26（2007），第127-152页·Zbl 1191.62067号
[4] B.Bohn和M.Griebel，《时间序列预测的自适应稀疏网格方法》，摘自《稀疏网格和应用》，J.Garcke和M.Griebe1编辑，Lect。注释计算。科学。Eng.88，Springer，纽约，2012年，第1-30页。
[5] H.-J.Bungartz和M.Griebel，《数字学报》，{稀疏网格}。，13（2004年），第147-269页·Zbl 1118.65388号
[6] A.Chkifa、A.Cohen、G.Migliorati、F.Nobile和R.Tempone，{带随机评估的离散最小二乘多项式近似-应用于参数和随机椭圆PDEs}，ESAIM数学。模型。数字。分析。，49（2015），第815-837页·兹比尔1318.41004
[7] A.Cohen、M.Davenport和D.Leviatan，《关于最小二乘近似的稳定性和准确性》，Found。计算。数学。，13（2013），第819-834页·Zbl 1276.93086号
[8] F.Cucker和S.Smale，《学习的数学基础》，布尔。阿默尔。数学。Soc.，39（2001），第1-49页·兹伯利0983.68162
[9] F.Cucker和D.Zhou，《学习理论》，剑桥大学专著。申请。计算。数学。24，剑桥大学出版社，英国剑桥，2007年·Zbl 1274.41001号
[10] R.DeVore和G.Lorentz，{构造逼近}，格兰德伦数学。威斯。303，柏林施普林格，1993年。
[11] C.Feuersaönger，{高维近似的稀疏网格方法}，波恩大学数值模拟研究所博士论文，2010年。
[12] J.Garcke和M.Hegland，{使用梯度惩罚和稀疏网格组合技术拟合多维数据}，《计算》，84（2009），第1-25页·Zbl 1166.65004号
[13] M.Griebel和H.Harbrecht，{\it关于稀疏张量积空间的构造}，数学。计算。，82（2013），第975-994页·Zbl 1267.41012号
[14] M.Griebel和M.Hegland，{高斯先验密度估计的有限元方法}，SIAM J.Numer。分析。，47（2010年），第4759-4792页·Zbl 1211.65007号
[15] M.Griebel和P.Oswald，{各向异性问题的张量积型子空间分裂和多层迭代方法}，高级计算。数学。，4（1995年），第171-206页·Zbl 0826.65099号
[16] M.Griebel、P.Oswald和T.Schiekofer，《边界积分方程的稀疏网格》，数值。数学。，83（1999年），第279-312页·兹比尔0935.65131
[17] M.Griebel、C.Rieger和B.Zwicknagl，{多尺度近似和再生核希尔伯特空间方法}，SIAM J.Numer。分析。，53（2015），第852-873页·Zbl 1312.41025号
[18] L.Gyo¨rfi、M.Kohler、A.Krzyżak和H.Walk，{非参数回归的无分布理论}，Springer，柏林，2002年·Zbl 1021.62024号
[19] T.Hastie和W.Stuetzle，主要曲线，J.Amer。统计师。协会，84（1989），第502-516页·Zbl 0679.62048号
[20] M.Hegland，{它是一种不使用额外光滑性假设的最优阶正则化方法}，SIAM J.Numer。分析。，29（1992），第1446-1461页·Zbl 0760.65053号
[21] M.Hegland，{\it数据挖掘技术}，《数值学报》。，10（2001年），第313-355页·Zbl 1123.68343号
[22] S.Knapek，{it Approximation und Kompression mit Tensorprodukt-Multiskalenra­umen}，波恩大学博士论文，2000年。
[23] M.Kohler，｛\it平均值与期望值一致偏差的不等式及其在非参数回归中的应用｝，J.Statist。规划推断，89（2000），第1-23页·Zbl 0982.62035号
[24] S.Konyagin和V.Temlyakov，{学习理论中的熵。误差估计}，Constr。约，25（2007），第1-27页·Zbl 1101.62029号
[25] J.A.Lee和M.Verleysen，{非线性降维}，Springer Science，纽约，2007年·Zbl 1128.68024号
[26] C.Michelli和M.Pontil，{关于学习向量值函数}，神经计算。，17（2005），第177-204页·Zbl 1092.93045号
[27] G.Migliorati，F.Nobile，E.von Schwerin，and R.Tempone，{用随机评价分析多项式空间上的离散（L^2）投影}，Found。计算。数学。，14（2014），第419-456页·Zbl 1301.41005号
[28] J.Peetre，{\it A Theory of Interpolation of Normed Spaces}，Instituto de Matemaítica Pura e Aplicada，Conselho Nacional de Pesquisas，里约热内卢，1968年·Zbl 0162.44502号
[29] D.Pflu¨ger、B.Peherstorfer和H.-J.Bungartz，{高维数据驱动问题的空间自适应稀疏网格}，J.Complexity，26（2010），第508-522页·Zbl 1200.65100号
[30] T.Poggio、R.Rifkin、S.Mukherjee和P.Niyogi，《学习理论中预测性的一般条件》，《自然》，428（2004），第419-422页。
[31] B.Scho¨lkopf和A.Smola，《用内核学习：支持向量机、正则化、优化和超越》，麻省理工学院出版社，马萨诸塞州剑桥市，2002年。
[32] S.Smale和D.Zhou，{估计学习理论中的近似误差}，Ana。申请。，1（2003年），第17-41页·Zbl 1079.68089号
[33] V.Temlyakov，{周期函数的近似}，新星科学，Hauppauge，纽约，1993年·Zbl 0899.41001号
[34] V.Temlyakov，{学习理论中的近似}，Constr。大约，27（2008），第33-74页·Zbl 05264756号
[35] H.Triebel，{it插值理论，函数空间，微分算子}，北荷兰德数学图书馆，阿姆斯特丹，1978年·Zbl 0387.46033号
[36] T.Ullrich，{it Smolyak算法，稀疏网格逼近和具有支配混合光滑性的周期函数空间}，耶拿大学博士论文，2007。
[37] V.Vapnik，《统计学习理论》，威利出版社，纽约，1998年·兹比尔0935.62007
[38] M.Wong和M.Hegland，{最大后验密度估计和稀疏网格组合技术}，《第16届两年期计算技术和应用会议论文集》，CTAC-2012，S.McCue、T.Moroney、D.Mallet和J.Bunder编辑，2013年，第508-522页·Zbl 06867004号
[39] Q.Wu和D.Zhou，{样本依赖假设空间的学习}，计算。数学。申请。，56（2008），第2896-2907页·Zbl 1165.68388号
[40] Y.Ying和D.Zhou，{具有灵活方差的高斯可学习性}，J.Mach。学习。Res.，8（2007），第249-276页·Zbl 1222.68339号
[41] Y.Zhang，F.Cao，Z.Xu，{通过Jackson算子估计最小二乘算法的学习率}，神经计算，74（2011），第516-521页。
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。