逻辑增压

提前停止L2提升。众所周知,当boosting迭代次数变大时,类boosting算法(如AdaBoost及其许多修改)可能会过度拟合训练数据。因此,如何在适当的迭代时间停止boosting算法是近十年来应用模型选择准则来估计l2 boosting停止迭代的一个长期问题,但是仍然需要计算所有boosting迭代的训练数据。因此,本文的主要目的是研究训练阶段l2升压的早期停止规则,以寻求一个非常可观的计算节省。该方法基于训练阶段模型选择准则值的变化点检测方法。该方法还扩展到医学和生物信息学应用中非常常见的两类分类问题。文中给出了这些方法的仿真研究和实际数据实例,并与LogitBoost进行了比较。


zbMATH中的参考文献(参考文献18条)

显示第1至18个结果,共18个。
按年份排序(引用)

  1. 马里罗·庞斯,约瓦尼;泰兰,朱利奥E。;孔特雷拉斯·托雷斯、欧内斯托;加西亚-哈卡斯,塞萨尔。;佩雷斯·卡斯蒂略,尤尼尔基斯;库比伦,内斯特;佩兹-吉姆内斯,法坎多;Valdés-Martini,JoséR.:基于乐高的两个线性代数3D生物宏分子描述符的广义集合:理论与QSARs验证(2020)
  2. 贾建华;李小燕;邱,王仁;晓萱;周国臣:iPPI PseAAC(CGR):通过将混沌博弈表示纳入PseAAC(2019年),识别蛋白质-蛋白质相互作用
  3. 塔希尔,穆罕默德;塔亚拉,希拉;Chong,Kil-To:iRNA-PseKNC(2甲基):通过卷积神经网络和Chou的伪成分识别RNA 2'-O-甲基化位点(2019年)
  4. 程、香;晓萱;Chou,Kuo Chen:pLoc逯bal-mGneg:通过准平衡训练数据集和通用PseAAC预测革兰氏阴性细菌蛋白质的亚细胞定位(2018)
  5. Contreras Torres,Ernesto:通过将蛋白质的全局和局部物理化学和构象特性纳入到general Chou的PseAAC中来预测蛋白质的结构类别(2018)
  6. 塞博尔德,海蒂;伯瑙,克里斯托夫;布尔斯泰克斯,安妮·劳尔;De Bin,Riccardo:关于高维线性Cox模型提升步数的选择和影响(2018)
  7. 阿披实喀斯利瓦斯塔瓦;库马尔,拉文德拉;Kumar,Manish:BlaPred:通过Chou's general PseAAC使用三层预测系统预测和分类(\β-内酰胺酶)(2018)
  8. 马里罗·庞斯,约瓦尼;孔特雷拉斯·托雷斯、欧内斯托;加西亚-哈卡斯,塞萨尔。;巴里基,斯蒂芬J。;库比伦,néstor;Alvarado,Ysaías J.:蛋白质科学的新型3D生物大分子双线性描述符:预测蛋白质结构类(2015)
  9. 哈亚特,马苏德;塔希尔,穆罕默德;Khan,Sher Afzal:使用多轮廓Bayes和双gram概率特征空间的混合空间预测蛋白质结构类(2014)
  10. 张胜利;梁云云;袁锡国:提高蛋白质结构类预测精度:用交替词频和归一化Lempel-Ziv复杂度进行探讨(2014)
  11. 刘志新;刘、宋磊;杨红强;鲍立华:利用蛋白质粒度提取蛋白质序列特征(2013)
  12. 张元钦,伊万;黄玉芬;黄玉沛:早停在(2号楼)助推(2010年)
  13. 萨胡,西坦舒塞哈尔;Panda,Ganapati:一种基于Chou伪氨基酸组成的蛋白质结构类预测特征表示方法(2010)
  14. 米齐安蒂,马辛J。;Kurgan,Lukasz A.:根据具有预测序列的暮光区序列对蛋白质结构类的模块化预测(2009)ioport公司
  15. 陈超;陈、李璇;邹小勇;蔡培祥:基于多特征融合的蛋白质结构类预测(2008)
  16. 蔡玉东;冯启炎;吕文聪;周国臣:用LogitBoost分类器预测蛋白质结构类(2006)
  17. 陈超;田、袁欣;邹小勇;蔡佩祥;莫金元:用伪氨基酸组成和支持向量机预测蛋白质结构类(2006)
  18. 王双全;杨洁;周国琛:基于伪氨基酸组成的膜蛋白类型的叠加概化预测(2006)