محاسبه مسیرهای منظم برای یادگیری چند کرنله + کد متلب کامل
پروژه ۱۳۱۳: شبیه سازی مقاله در متلب
خلاصه:
از مشکلات یادگیری از یک ترکیب مخروطی اسپارس از توابع کرنل یا ماتریس های کرنل برای طبقه بندی یا رگرسیون می تواند از طریق تنظیم بلوک نرم ۱ به دست آید.
در این مقاله ما یک الگوریتمی که مسیر تنظیم کامل برای این گونه مسائل را ارائه می دهد پیشنهاد داده ایم. این مسیر با استفاده از تکنیک های پیوسته عددی حل شده ، و شامل یک پیچیدگی زمانی در حال اجرا بوده که در زمان های ثابت در پیچیدگی پارامترها ساده تر شده . کار در زمینه رگرسیون خطی کرنل و رگرسیون لجستیک کرنل ، را به صورت تجربی نشان می دهیم که تاثیر بلوک تنظیم نرم ۱ متفاوت از از نرم غیر بلوکه بوده و به طور معمول برای انتخاب متغیر استفاده شده و مسیر تنظیم ، مقداری خاص در مورد این بلوک می باشد. برای فهم دیگر اطلاعات این شبیه سازی ، مقاله را از لینک زیر دانلود نمایید.
دانلود: دانلود اصل مقاله لاتین
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید (ترجیحا ارسال پیامک).
برخی نتایج: (برنامه شامل ۱۳ ام فایل بوده که در هر خط توضیح کامل داده شده)
.
.
.
iter 145 – sigma=6.216331 – n_corr=5 – lambda2=1.96e-10 – EPS2=1.00e-02 – n_pred=3 – neta=40 – dsigma=0.069453 – status=small_lambda2
iter 146 – sigma=6.286784 – n_corr=6 – lambda2=1.12e-17 – EPS2=1.00e-02 – n_pred=2 – neta=40 – dsigma=0.070453 – status=small_lambda2
iter 147 – sigma=6.358237 – n_corr=6 – lambda2=1.16e-17 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=0.071453 – status=small_lambda2
iter 148 – sigma=6.376350 – n_corr=3 – lambda2=1.50e-10 – EPS2=1.00e-02 – n_pred=5 – neta=41 – dsigma=0.018113 – status=small_lambda2
iter 149 – sigma=6.395464 – n_corr=5 – lambda2=6.82e-11 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=0.019113 – status=small_lambda2
iter 150 – sigma=6.423908 – n_corr=4 – lambda2=1.72e-12 – EPS2=1.00e-02 – n_pred=3 – neta=41 – dsigma=0.028444 – status=small_lambda2
iter 151 – sigma=6.482797 – n_corr=5 – lambda2=3.02e-11 – EPS2=1.00e-02 – n_pred=4 – neta=41 – dsigma=0.058889 – status=small_lambda2
iter 152 – sigma=6.652188 – n_corr=7 – lambda2=1.44e-15 – EPS2=1.00e-02 – n_pred=5 – neta=41 – dsigma=0.169391 – status=small_lambda2
iter 153 – sigma=7.134127 – n_corr=8 – lambda2=1.27e-16 – EPS2=1.00e-02 – n_pred=5 – neta=41 – dsigma=0.481939 – status=small_lambda2
iter 154 – sigma=8.100005 – n_corr=3 – lambda2=7.89e-16 – EPS2=1.00e-02 – n_pred=4 – neta=41 – dsigma=0.965878 – status=small_lambda2
iter 155 – sigma=9.066883 – n_corr=3 – lambda2=1.07e-13 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=0.966878 – status=small_lambda2
iter 156 – sigma=10.034762 – n_corr=2 – lambda2=1.16e-11 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=0.967878 – status=small_lambda2
boosted iter 157 – sigma=11.003640 – n_corr=3 – lambda2=1.04e-14 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=0.968878 – status=small_lambda2
boosted iter 158 – sigma=12.375254 – n_corr=3 – lambda2=1.64e-13 – EPS2=1.00e-02 – n_pred=2 – neta=41 – dsigma=1.371615 – status=small_lambda2
مجموعه: مهندسی کامپیوتر, یادگیری ماشین