基于概率论数理统计的学习分类问题研究

基于概率论数理统计的学习分类问题研究.pdf
采用概率统计及概率密度估算等数据学习原理方法,计算研究了概率论数理统计的机器学习分类问题.传统统计学下样本足够多,当样本数少样本有限情况下统计学习理论由Vapnik等人提出了一种小样本统计理论.在学习分类下,建立自学习网格网络,通过小样本的统计规律及学习方法训练获得性质,结果表明,概率统计下机器学习核函数分类为问题建立了较好的原理框架,是一种新的通用概率统计学习方法,能够较好的解决机器学习人工智能的小样本学习问题,支持向量神经网络已经发展成为人工智能领域的研究热点,本方法是统计概率学习基本思想、特征和机器学习的融合.
作者：任大男
作者单位：西北大学数学学院,陕西西安710127;西安交通大学数学与统计学院,陕西西安710049
母体文献：陕西省物理学会2017学术年会论文集
会议名称：陕西省物理学会2017学术年会  
会议时间：2017年12月1日
会议地点：西安
主办单位：陕西省物理学会
语种：chi
分类号：
关键词：概率统计  核函数分类  机器学习  人工智能  支持向量神经网络
在线出版日期：2021年3月22日
基金项目：
相似文献
相关博文

2024-12-1 20:12 上传 基于概率论数理统计的学习分类问题研究.pdf

文件大小:

379.96 KB

下载次数:

60

高速下载