文献

J-GLOBAL ID：202102234476601380   整理番号：21A2870730

標準およびマルチパラメトリックサポートベクトル回帰訓練時間を改善するための新しい検証法【JST・京大機械翻訳】

New validation methods for improving standard and multi-parametric support vector regression training time

著者 (5件)： Gascon-Moreno J. (Department of Signal Theory and Communications, Universidad de Alcala, Madrid, Spain) ,  Salcedo-Sanz S. (Department of Signal Theory and Communications, Universidad de Alcala, Madrid, Spain) ,  Ortiz-Garci ́a E.G. (Department of Signal Theory and Communications, Universidad de Alcala, Madrid, Spain) ,  Acevedo-Rodri ́guez J. (Department of Signal Theory and Communications, Universidad de Alcala, Madrid, Spain) ,  Portilla-Figueras Jose A. (Department of Signal Theory and Communications, Universidad de Alcala, Madrid, Spain)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 39  号： 9  ページ： 8220-8227  発行年： 2012年 
JST資料番号： W0178A  ISSN： 0957-4174  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： サポートベクトル回帰アルゴリズム(SVMr)におけるハイパーパラメータの選択は,これらの学習機械の訓練における必須のプロセスである。残念なことに,SVMrハイパーパラメータの最適値を得る正確な方法はない。したがって,ハイパーパラメータの最良の組合せを見つけるため,探索アルゴリズムおよび時には検証方法を用いることが必要である。問題は,標準探索アルゴリズムと検証法(格子探索とK-折畳み交差検証のような)が使用されるならば,SVMr訓練時間が大規模訓練データベースで巨大なことである。本論文では,SVMr訓練時間を低減する2つの新しい検証法を提案し,最終マシンの精度を維持した。3つのハイパーパラメータ(超パラメータ探索が通常格子探索によって行われる)とマルチパラメトリックカーネルへの拡張において,両方の方法の良い性能を示し,そこでは,進化的アルゴリズムのようなメタヒューリスティックアプローチを,SVMrハイパーパラメータの最良集合を探すために使用する必要がある。すべての場合において,新しい検証方法は,最終SVMr精度に影響することなく,訓練時間に関して非常に良い結果を提供した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  データベース ,  学習機械 ,  発見的方法
準シソーラス用語： 進化的アルゴリズム ,  探索アルゴリズム ,  最適値 ,  *サポートベクトル回帰 ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (4件)： サポートベクトル回帰アルゴリズム ,  SVMrハイパーパラメータ ,  トレーニング時間 ,  検証方法

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 標準 ,  訓練 ,  検証