Titlebook: Hybride Optimierung für Dimensionsreduktion; Unüberwachte Regress Daniel Lückehe Book 2015 Springer Fachmedien Wiesbaden 2015 Big Data.Comp

DRAFT

突袭

相符

Daniel LückeheWissenschaftlich-technische Studie.Includes supplementary material:

财政

BestMastershttp://image.papertrans.cn/h/image/430219.jpg

北极人

https://doi.org/10.1007/978-3-658-10738-3Big Data; Computational Intelligence; Dimensionsreduktion; Maschinelles Lernen; Regressionsmodell

OASIS

,Unüberwachte Kernel- Regression,überwachten Regression, jedoch verwendet er als Regressionsmodell den Nadaraya-Watson-Schätzer mit KernelFUnktion, weshalb es sich um eine unüberwachte Kernel-Regression handelt, wie beispielsweise aus [7] bekannt.

基因组

Gradientenabstieg,rbaren Fitnessfunktion. Die Funktion wird dabei partiell nach den einzelnen Elementen abgeleitet und die Lösung zur Maximierung mit der Steigung und zur Minimierung entgegen der Steigung verschoben [14]. In dieser Arbeit ist die Loss-Funktion die Fitnessfunktion und soll minimiert werden.

nutrients

Variable Kernel-Funktion,arameter über die evolutionäre Steuerung bestimmt werden können. Die Idee ist, dass die evolutionäre Steuerung das Ergebnis des Loss-Fehlers mit und ohne Gradientenabstieg, aber auch bestimmte Teile der Co-Ranking-Matrix optimieren kann und durch eine variable Kernel-Funktion zusätzliche Freiheitsgrade erhält, um das Ergebnis zu verbessern.

完全

978-3-658-10737-6Springer Fachmedien Wiesbaden 2015

镇痛剂

Hybride Optimierung für Dimensionsreduktion978-3-658-10738-3Series ISSN 2625-3577 Series E-ISSN 2625-3615