摘要
最近的研究表明,在裕度(或低噪声)假设下,存在分类器能够获得超额贝叶斯风险的快速收敛速度,即速度快于n个−1/2这方面的工作提出了以下两个猜想:(i)最佳可实现的快速速率是n个−1和(ii)插件分类器通常比基于经验风险最小化的分类器收敛得慢。我们证明这两个猜想都是不正确的。特别是,我们构造了插件分类器,它不仅可以快速实现,而且还可以超高速利率,也就是说,利率快于n个−1.我们建立了极小极大下界,表明所获得的速率无法改进。
引用
下载引文
Jean-Yves Audibert。
亚历山大·谢巴科夫(Alexandre B.Tsybakov)。
“插件分类器的快速学习速度。”
安。统计师。
35
(2)
608 - 633,
2007年4月。
https://doi.org/10.1214/00905360000001217
问询处
发布日期:2007年4月
首次在欧几里德项目中提供:2007年7月5日
数字对象标识符:10.1214/009053606000001217
学科:
主要用户:62G07年
次要:62G08号,62小时05,68吨10
关键词:分类,超额风险,快速收敛速度,极小极大下界,插件分类器,统计学习
版权所有©2007数学统计研究所