文献

J-GLOBAL ID：201802263566458671   整理番号：18A0259022

k重交差検証法の分散分析に基づく誤差推定【Powered by NICT】

Error estimation based on variance analysis of k-fold cross-validation

著者 (2件)： Jiang Gaoxia (School of Computer and Information Technology, Shanxi University, Taiyuan 030006, PR China) ,  Wang Wenjian (School of Computer and Information Technology, Shanxi University, Taiyuan 030006, PR China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 69  ページ： 94-106  発行年： 2017年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 交差検証(CV)は,学習モデルの汎化能力を推定するためにしばしば用いられる。CV誤差の分散は,CV推定量の精度と学習モデルの妥当性にかなりの影響を持っているので,CV分散を解析するために非常に重要である。本論文の目的は,分散分析に基づく誤差推定の精度を改善するかを調べることである。CV分散とその精度の間の定量的関係,分散を減少させることにより精度を改善するための指針を提供することができるを提案した。分散間の関係とサンプルサイズ,しゅう曲の数,及び反復の数を含む関連変数を研究した。これらはCV分散を調節することの理論的戦略の基礎を形成する。著者らの分類結果は,ロドリゲスとKohaviの実験結果を理論的に説明することができる。最後に,モデル精度を測定するだけでなく,倍数にirrelativeである均一な正規化分散を提案した。,k CVにおけるしゅう曲数の選択を簡単にし,正規化分散はモデルの比較と選択のための安定な誤差測定として役立つことができる。五つの教師つき学習モデルと20データセットを用いた実験の結果を報告した。結果は,分散が提案した定理によるk CV前で決定するために信頼性があり,誤差推定の正確性は,分散を減少させることにより促進されることを示した。そうすることで,最良のパラメータやモデルを選ぶ傾向にあった。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 推定量 ,  学習モデル ,  正規化 ,  信頼性 ,  教師つき学習 ,  *分散分析 ,  *交差検証法
準シソーラス用語： 正確性 ,  モデル精度 ,  *誤差推定 , 【Automatic Indexing@JST】

著者キーワード (4件)： 誤差推定 ,  k重交差検証法 ,  分散解析 ,  モデル選択

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 交差検証法 ,  分散分析 ,  誤差推定