基于Vapnik-Chervonenkis泛化界的极限学习机模型复杂性控制
刘学艺1
宋春跃2
李平3
1.浙江大学航空航天学院,浙江杭州310027;中国计量学院数学系,浙江杭州3100182.浙江大学工业控制研究所,浙江杭州,3100273.浙江大学航空航天学院,浙江杭州310027;浙江大学工业控制研究所,浙江杭州310027
摘要：模型复杂性是决定学习机器泛化性能的关键因素,对其进行合理的控制是模型选择的重要原则.极限学习机(extreme learning machine,ELM)作为一种新的机器学习算法,表现出了优越的学习性能.但对于如何在ELM的模型选择过程中合理地度量和控制其模型复杂性这一基本问题,目前尚欠缺系统的研究.本文讨论了基于Vapnik-Chervonenkis(VC)泛化界的ELM模型复杂性控制方法(记作VM),并与其他4种经典模型选择方法进行了系统的比较研究.在人工和实际数据集上的实验表明,与其他4种经典方法相比,VM具有更优的模型选择性能:能选出同时具有最低模型复杂性和最低(或近似最低)实际预测风险的ELM模型.此外,本文也为VC维理论的实际应用价值研究提供了一个新的例证.
关键词：VC泛化界模型复杂性极限学习机小样本实际预测风险
分类号：TP18(自动化基础理论)
资助基金：国家重点基础研究发展计划（973计划）(973;2009CB320603)国家自然科学基金(61273085)浙江省自然科学基金(LY14F030020)
论文发表日期：2014-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 644-653 )
英文信息