基于核的正则化学习算法
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| ·各领域中经典的正则化方法 | 第9-11页 |
| ·岭回归 | 第9-10页 |
| ·病态问题的Tikhonov正则化 | 第10-11页 |
| ·正则化学习 | 第11-16页 |
| ·正则化学习的框架 | 第11-12页 |
| ·再生核希尔伯特空间 | 第12-13页 |
| ·支持向量机 | 第13-15页 |
| ·在数据相关假设空间中学习 | 第15-16页 |
| ·本文主要贡献 | 第16-17页 |
| 第2章 一般度量空间上的e~1正则化学习 | 第17-33页 |
| ·e~1正则化的稀疏性 | 第17-20页 |
| ·LASSO回归 | 第17-18页 |
| ·压缩感知理论 | 第18-20页 |
| ·基于e~1正则化的回归 | 第20-23页 |
| ·非对称核学习的误差分解 | 第23-24页 |
| ·估计正则化误差 | 第24-26页 |
| ·估计假设误差 | 第26-28页 |
| ·估计样本误差 | 第28-32页 |
| ·推导学习率 | 第32-33页 |
| 第3章 欧氏空间中使用光滑核学习 | 第33-41页 |
| ·欧氏空间中使用光滑核于e~1正则化回归的学习率 | 第33-34页 |
| ·逼近论中的一个引理 | 第34-35页 |
| ·利用高阶光滑性估计假设误差 | 第35-37页 |
| ·与覆盖数有关的样本误差 | 第37-38页 |
| ·通过光滑核学习的学习率 | 第38-41页 |
| 第4章 非一致抽样的分类算法 | 第41-63页 |
| ·通过非一致抽样来学习 | 第41-54页 |
| ·非一致抽样的设定 | 第41-46页 |
| ·误差分解 | 第46-48页 |
| ·估计漂移误差 | 第48-50页 |
| ·非一致抽样时的样本误差 | 第50-52页 |
| ·推导学习率 | 第52-54页 |
| ·多分类算法 | 第54-63页 |
| ·多分类的分离函数 | 第54-56页 |
| ·多类Parzen窗算法 | 第56-58页 |
| ·误差分析 | 第58-63页 |
| 第5章 学习算法的稀疏性 | 第63-66页 |
| ·稀疏性的理论分析 | 第63页 |
| ·稀疏性的应用 | 第63-66页 |
| ·不平衡分类中的向下抽样 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 在读期间发表的学术论文与取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
