Kvalitativno zvesto učenje in upoštevanje induciranih monotonostnih omejitev v regresiji

author: Dorian Šuc, Faculty of Computer and Information Science, University of Ljubljana
published: Feb. 25, 2007,   recorded: April 2004,   views: 82

Related content

Report a problem or upload files

If you have found a problem with this lecture or would like to send us extra material, articles, exercises, etc., please use our ticket system to describe your request and upload the data.
Enter your e-mail into the 'Cc' field, and we will keep you updated with your request's status.
Lecture popularity: You need to login to cast your vote.
  Delicious Bibliography

Description

Kvalitativna drevesa, ki se jih uči program QUIN, so se v smislu enostavnosti in dobre razumljivosti izkazale pri rekonstrukciji veščin vodenja in v vrsti drugih domen. Kvalitativna drevesa so podobna regresijskim drevesom, vendar imajo monotonostne omejitve v listih. Izkaže se, da kvalitativna drevesa določajo numerične omejitve in jih lahko uporabimo tudi za usmerjanje numerične regresije. Na ta način dobimo regresijsko funkcijo, ki je konsistentna s kvalitativnimi omejitvam in minimizira napako na učnih podatkih. Presentljivo je, da daje tako "kvalitativno zvesto učenje" običajno točnejse napovedi od običajnih numeričnih prediktorjev, poleg tega pa ima tudi prednosti v smislu interpretacije naučenih modelov.

V okviru seminarja bom predstavil kvalitativno zvesto napoved, programa QUIN in Qfilter, ter rezultate v vrsti domen. Na tako učenje lahko gledamo kot na učenje hierarhije modelov: QUIN se nauči kvalitativnih omejitev, Qfilter pa daje numerično napoved, ki te omejitve spoštuje. Diskutiral bom rezultate in možne razloge za uspešnost učenja omejitev in učenja hierarhij modelov.

Link this page

Would you like to put a link to this lecture on your homepage?
Go ahead! Copy the HTML snippet !

Write your own review or comment:

make sure you have javascript enabled or clear this field: