кросс-валидацияоптимизация параметров и архитектуры сетиансамбли нейронных сетейостаточная ошибка обобщения
Figures from the paper
Abstract (AI)
Предложены несколько методов улучшения производительности и обучения нейронных сетей для задач классификации. Для оптимизации параметров и архитектуры сети используется кросс-валидация. Показано, что оставшуюся остаточную ошибку обобщения можно уменьшить применением ансамблей схожих сетей.
Key Findings
1
Кросс-валидация может быть использована для оптимизации параметров и архитектуры нейронной сети для задач классификации.
2
Ансамбли похожих нейронных сетей уменьшают оставшуюся генеральную ошибку обобщения.
3
Применение нескольких методов (включая кросс-валидацию и ансамбли) улучшает производительность и обучение классификационных нейронных сетей.
Research Object
Нейронные сети-классификаторы (ансамбли схожих нейронных сетей)
Research Subject
Методы повышения производительности и обучения, включая кросс-валидацию для выбора параметров/архитектуры и уменьшение остаточной ошибки обобщения с помощью ансамблей
Publication Details
Publication Date
1990-01-01
Journal
Publisher
ISSN
Cited by
4257
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью7
Случайные леса решений2002
Нейронные сети и дилемма смещения/дисперсии1992
Обзор неопределённости в глубоких нейронных сетях2023
Эффективное глубокое обучение: обзор методов уменьшения размера, ускорения и повышения качества моделей глубокого обучения2023
Интеллектуальный адаптивный по времени метод диагностики неисправностей датчиков на основе данных в системе электропривода с асинхронным двигателем2018
Прогнозирование неплановой разубоженности и потерь руды на рудниках с длинноскважинной системой разработки методом множественной регрессии и с использованием искусственных нейронных сетей2015
Искусственный интеллект и моделирование параметрической оценки стоимости строительства: обзор современного состояния2019