首页 理论教育 结构风险最小化在回归估计中的应用

结构风险最小化在回归估计中的应用

时间:2023-05-28 理论教育 版权反馈
【摘要】:回归估计问题可以描述如下:设给定训练集S={,,…,l) 假定训练集是按照χ×Υ上的某个概率密度F(x,y)选取的独立同分布的样本点,又设给定损失函数L,分布回归估计就是利用S中的数据,在函数集{f(x,α)}中寻找一个最优的函数{f},使预测的期望风险R(α)=∫LdF(x,y) 最小。可见为使泛化误差最小,应同时最小化拟合误差与置信范围,这就是结构风险最小化原则的基本思想。

结构风险最小化在回归估计中的应用

回归估计问题可以描述如下:设给定训练集

S={(x1y1),(x2y2),…,(xlyl)}

xiχ=RnyiΥ=Ri=1,2,…,l) (2-25)

假定训练集是按照χ×Υ上的某个概率密度Fxy)选取的独立同分布的样本点,又设给定损失函数Lyfxα)),分布回归估计就是利用S中的数据,在函数集{fxα)}中寻找一个最优的函数{fxα0)},使预测的期望风险(或泛化误差)

Rα)=∫Lyfxα))dFxy) (2-26)

最小。这里概率密度Fxy)未知,{fxα)}由某些算法LM来实现,其中α∈Λ,表示广义的参数。LM的输出978-7-111-43722-2-Chapter02-27.jpg作为y的估计。称Lyfxα))为损失函数,是由于用{fxα)}估计y造成的损失。模型的经验风险(即拟合误差)Rempα)与Rα)之间有如下的关系(www.xing528.com)

Rα)≤Rempα)+Φhn) (2-27)

式中 h——{fxα)}的VC维,反映其学习能力的指标;

Φhn)——置信范围。

可见为使泛化误差最小,应同时最小化拟合误差与置信范围,这就是结构风险最小化原则的基本思想。传统的最小二乘法、核函数法、人工神经网络等只注重最小化拟合误差,因而得不到最小的泛化误差。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈