彼得·L·巴特利特。;沙哈尔·门德尔森 Rademacher和Gaussian复杂性:风险边界和结构结果。 (英语) Zbl 1084.68549号 J.马赫。学习。物件。 3,第3期,463-482(2003)。 摘要:我们研究了函数类复杂度(称为Rademacher和Gaussian复杂度)的某些数据相关估计值的使用。在决策理论的背景下,我们证明了这些复杂性的一般风险边界。我们考虑可以表示为基类中函数的组合的函数类,并说明如何根据基类的复杂性限制此类函数类的Rademacher和Gaussian复杂性。我们给出了这些技术在为决策树、神经网络和支持向量机寻找数据相关风险边界中的应用示例。 引用于1审查引用于223文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:误差界限;数据相关复杂性 PDF格式BibTeX公司 XML格式引用 \textit{P.L.Bartlett}和textit{S.Mendelson},J.Mach。学习。决议3,第3号,463--482(2003;Zbl 1084.68549) 全文: 内政部