机构名称：
¥ 2.0
内核回归或分类（也称为机器学习中的加权ϵ -NN方法）对它们的简单性有吸引力，因此在数据分析中无处不在。ever，内核回归或分类的实际实现包括量化或子采样数据以提高时间效率，通常是以预测质量为代价。尽管在实践中有必要进行这种交易，但它们的统计含义通常尚未得到充分的了解，因此实际实施的实施很少。特别是尚不清楚是否可以维持内核预测的统计准确性（在某些应用中至关重要），同时改善预测时间。目前的工作提供了将内核预测与数据量化相结合的指导原则，以确保预测时间和准确性之间的良好贸易，尤其是为了近似维持香草内核预测的良好准确性。此外，我们的贸易保证是根据调整参数明确处理的，该调整参数可以作为旋钮，该旋钮根据实际需求而定于时间或准确性。在旋钮的一端，预测时间与单个最近邻居预测的顺序相同（在统计上是不一致的），同时保持一致性；在旋钮的另一端，预测风险几乎是最小的（就原始数据大小而言），同时仍降低时间复杂性。理论结果在来自一系列现实世界应用域的数据上得到了验证；特别是我们证明了理论旋钮的性能如预期的。因此，分析揭示了数据定量化方法与内核预测方法之间的相互作用，最重要的是，显式地控制了对从业者的贸易，而不是提前或使其不透明。
内核预测中的时间准确性权衡：控制...
主要关键词
相关文件推荐
