Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes - Archive ouverte HAL Access content directly
Conference Papers Year : 2013

Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes

Mathieu Fauvel

Abstract

Le problème considéré dans cet article concerne l’optimisation des hyperparamètres d’une fonction noyau Gaussienne à l’aide de mesures de similitude entre matrices. Deux contributions sont proposées : 1) une nouvelle mesure de similarité entre fonctions noyaux et 2) une nouvelle paramétrisation pour les noyaux Gaussiens. Des améliorations des temps de calculs et des taux de bonnes classifications par rapport à la validation croisée pour un classifier k-nn sont obtenues sur des jeux de données standards.
Fichier principal
Vignette du fichier
Fauvel_16327.pdf (179.85 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-01793294 , version 1 (16-05-2018)

Identifiers

Cite

Mathieu Fauvel. Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes. XXIVème Colloque GRETSI sur le traitement du signal et des images, Sep 2013, Brest, France. pp. 1-4. ⟨hal-01793294⟩
48 View
142 Download

Share

Gmail Facebook X LinkedIn More