帕特里克·加里纳里；陶维达斯·西巴斯 多层感知器中的实际复杂性控制。 （英语） Zbl 0921.68069号 信号处理。 74，第1期，第29-46页（1999年）. 总结：模型选择，即发现能够提供输入-输出关系最佳近似的模型，是监督学习的关键问题。对于柔性或非参数模型，这通常通过控制模型复杂性来实现。本文旨在介绍神经网络背景下的这些方法；它使用一个人工问题来说明和分析简单实用的复杂控制技术的效果和行为。本文的重点是多层感知器，它是最流行的非线性回归和分类模型之一。它首先简要回顾了神经网络社区中提出的或根据统计学改编的模型选择和复杂性控制技术。然后介绍了已经发现非常适合实际应用的简单复杂性控制方法，并描述了实验分析，旨在说明这些方法为什么以及如何工作。分析了过拟合对神经网络复杂度的依赖性，并从偏方差权衡的角度描述了这些技术的误差演化及其影响。然后引入了用于分析复杂性控制对多层感知器行为的影响的不同工具，以提供对观察到的行为的补充见解。 引用于2文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：复杂性；神经网络；型号选择；正规化；最小描述长度 PDF格式BibTeX公司 XML格式引用 \textit{P.Gallinari}和\textit{T.Cibas}，信号处理。74，编号1，29-46（1999；Zbl 0921.68069） 全文： 内政部