机构名称：
¥ 1.0
内核回归是一种良好的非线性回归方法，其中使用周围训练样品的加权平均值来实现测试点的目标值。通常通过将基于距离的内核函数应用于每个样品，从而获得了权重，该函数假定存在良好的距离。在本文中，我们构建了一种用于监督度量学习的新颖算法，该算法通过将剩余的重新介绍错误降至最低，从而学习了距离功能。我们表明，我们的算法使内核回归与几个基准数据集的最先进的状态进行了比较，并且我们提供了充分的实现详细信息，从而使应用程序可以应用于具有〜O（10K）内置的数据集。此外，我们表明我们的al-gorithm可以看作是PCA的监督变化，可用于降低降低和高度数据可视化。
内核回归的度量学习
主要关键词
相关文件推荐
