.png){kind=icon}
返回
Some Regularized Tools for Dimensionality Reduction
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-03708-4_20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
降维已成为分析复杂数据的常用部分。本研究旨在探讨正则化工具在降维方法中的潜力，并可能提出一些新颖的正则化工具。收缩形式的正则化能够提高高维数据的工具的数值稳定性，同时以引入偏差为代价降低参数估计的变异性。首先，提出了一种鲁棒正则化的多重相关系数版本，可用于最小相关性最大冗余监督变量选择。其次，讨论了岭正则化并未对主成分分析带来任何修改；这对于主成分分析的鲁棒版本同样适用。
Keyword:
Dimensionality
regularization
shrinkage
classification
robustness
期刊
A
IF:
0
论文数:
30
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
A novel regularization-based optimization approach to sparse mean-reverting portfolios selection
PREAI
分享收藏Dimensionality Reduction, Regularization, and Generalization in Overparameterized Regressions维度约简、正则化与过参数化回归中的泛化
OAAI
OAAI分享收藏
查看更多内容