bmrm公司

bmrm:正则化风险最小化包的捆绑方法。L1或L2正则化下凸和非凸风险最小化的束方法。实现了Teo等人提出的算法。(JMLR 2010)以及Do和Artieres提议的延期(JMLR 2012)。该软件包提供了许多用于机器学习的损失函数,这使得它对于大数据分析非常强大。其应用包括:结构化预测、线性支持向量机、多类支持向量机、f-β优化、ROC优化、序数回归、分位数回归、ε不敏感回归、最小均方、逻辑回归、最小绝对偏差回归(见软件包实例)等。。。所有的L1和L2正则化。


zbMATH参考文献(19篇文章引用)

显示第1至19个结果,共19个。
按年份排序(引用)

  1. James,Gareth M.;Paulson,Courtney;Rusmevichientong,Paat:惩罚和约束优化:高维网站广告的应用(2020)
  2. Asi,Hilal;Duchi,John C.:随机(近似)近点方法:收敛性、最优性和适应性(2019)
  3. Piccialli,Veronica;Scandrone,Marco:非线性优化和支持向量机(2018)
  4. 王梦迪:《大型协调非凸优化中的去中心化代价》(2017)
  5. Antoniuk,Kostiantyn;Franc,Vojtěch;Hlaváč,Václav:序数分类的V形区间不敏感损失(2016)
  6. Cheng,Fan;Zhou,Yuan;Gao,Jian;Zheng,Shuanqiu:基于成本敏感支持向量机的(F)测度的有效优化(2016)
  7. Nageseur,Ludovic:使用最大单调算子(\epsilon)-扩大的两个多面体近似的束方法(2016)
  8. Tibshirani,Ryan J.:快速阶段算法的一般框架(2015)
  9. 李清培;林志珍:大型线性rankSVM(2014)
  10. 张新华;萨哈,安康;维什瓦纳森,S.V.N.:基于核的最大边际马尔可夫网络加速训练(2014)
  11. Bach,Francis:子模函数学习:凸优化视角(2013)
  12. Carrizosa,Emilio;Romero Morales,Dolores:监督分类和数学优化(2013)
  13. Daumé,Hal III;Phillips,Jeff M.;Saha,Avishek;Venkatasubramanian,Suresh:分布式分类和优化的有效协议(2012)
  14. Do,Trinh Minh Tri;Artières,Thierry:凸和非凸风险的正则化束方法(2012)
  15. 林惠玲:求解凸二次半定规划的不精确谱丛方法(2012)
  16. Airola,Antti;Pahikkala,Tapio;Waegeman,Willem;De Baets,Bernard;Salakoski,Tapio:估算ROC曲线下面积的交叉验证技术的实验比较(2011年)
  17. Nowozin,Sebastian;Lampert,Christoph H.:计算机视觉中的结构化学习和预测(2011)
  18. Stephen Borkstein,the statistical multipliers,2010年;Stephen BoyTein,the statistical multipliers,2010年;Stephen BoyTein,the statistical multipliers,2010年;Stephen BoyTein,the statistical multipliers;Patience,Boykstein;the Distributed multipliers
  19. Teo,Choon Hui;Vishwanthan,S.V.N.;Smola,Alex J.;Le,Quoc V.:正则化风险最小化的捆绑方法(2010)