bmrm公司

捆绑风险最小化方法。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(JMLR 2010)提出的算法以及Do和Artieres提出的扩展(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中的参考文献(参考文献21条)

显示第1到第20个结果,共21个。
按年份排序(引用)
  1. 陈亮;李旭东;太阳,防御;Toh,Kim Chuan:一类凸复合规划的不精确近端ALM与ADMM的等价性(2021)
  2. 蒙塔ñés、 戴安娜C。;基洛兹,阿道夫J。;杜尔斯鲁比奥,马特奥;Riascos Villegas,Alvaro J.:高维特征空间中支持向量机的有效最近邻方法(2021)
  3. 詹姆斯,加雷斯M。;保尔森,考特尼;Rusmevichientong,Paat:惩罚和约束优化:高维网站广告的应用(2020)
  4. 希拉,希拉;杜奇,约翰C.:随机(近似)近点方法:收敛性、最优性和适应性(2019)
  5. 皮切利,维罗妮卡;Scandrone,Marco:非线性优化和支持向量机(2018)
  6. 王梦迪:《大型协调非凸优化中的去中心化代价》(2017)
  7. 安东尼乌克,克什蒂安;弗朗克,沃伊特ě中国;Hlav公司áč, áclav:V型区间不敏感序数分类损失(2016)
  8. 程,范;周、元;高、健;郑双秋:基于成本敏感支持向量机的(F)测度的有效优化(2016)
  9. 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)
  10. Tibshirani,Ryan J.:快速阶段算法的一般框架(2015)
  11. 李清培;林志珍:大型线性rankSVM(2014)
  12. 张新华;萨哈,安康;内森,华斯。五。N、 :带核的最大利润马尔可夫网络加速训练(2014)
  13. Bach,Francis:子模函数学习:凸优化视角(2013)
  14. 卡里佐萨,埃米利奥;Romero Morales,Dolores:监督分类和数学优化(2013)
  15. 达姆é, 哈尔三世;菲利普斯,杰夫M。;萨哈,阿维谢克;Venkatasubramanian,Suresh:分布式分类和优化的有效协议(2012)
  16. 做,天明三;阿蒂ères,Thierry:凸和非凸风险的正则化束方法(2012)
  17. 林惠玲:求解凸二次半定规划的不精确谱丛方法(2012)
  18. 埃罗拉,安蒂;帕希卡拉,塔皮奥;威格曼,威廉;德贝茨,伯纳德;Salakoski,Tapio:估算ROC曲线下面积的交叉验证技术的实验比较(2011)
  19. 诺沃辛,塞巴斯蒂安;Lampert,Christoph H.:计算机视觉中的结构化学习和预测(2011)
  20. 博伊德,斯蒂芬;帕里克,尼尔;朱,埃里克;波里亚托;Eckstein,Jonathan:通过交替方向乘法器方法的分布式优化和统计学习(2010)