La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

REAL ADABOOST CON FUSIÓN CONTROLADA POR PUERTA (GCF-RAB) Aníbal R. Figueiras-Vidal G2PI-DTSC-UCIIIM.

Presentaciones similares


Presentación del tema: "REAL ADABOOST CON FUSIÓN CONTROLADA POR PUERTA (GCF-RAB) Aníbal R. Figueiras-Vidal G2PI-DTSC-UCIIIM."— Transcripción de la presentación:

1 REAL ADABOOST CON FUSIÓN CONTROLADA POR PUERTA (GCF-RAB) Aníbal R. Figueiras-Vidal G2PI-DTSC-UCIIIM

2 ÍNDICE DECISIÓN MÁQUINA 2.CONJUNTOS 3.COMITÉS 4.BOOSTING 5.GCF-RAB 6.DISEÑOS CONSIDERADOS 7.RESULTADOS 8.LÍNEAS DE TRABAJO

3 1. DECISION MÁQUINA -2- Máquina: información (supervisión) (semisupervisión) Propósitos:explicativo (Occam) predictivo(No free lunch) H 0 × H i × H I × Fw(x)Fw(x) DjDj x HM

4 2.CONJUNTOS -3- (Occam vs. Epicuro) Ventajas: potencia expresiva a menor coste de diseño eventualmente, mejor interpretabilidad Familias: comités: aprendices y fusión separados cooperativos:aprendices y fusión simultáneos boosting (y NCL) MoE

5 3.COMITÉS -4- Aprendices:diversidad arquitectura aprendizaje:datos variables inicialización algoritmo... (extremo: expertos regionales) (también diseños cooperativos) Fusión:fija (promedio) / entrenable (comb. lineal) global (anteriores) / local (mayoría; puerta)... Ejs. importantes:bagging (aprendices con booststrap) (wagging, etc.) RF (variables y datos) (se basan en aprendices inestables) (RF: pierden inteligibilidad; paralelas a Inteligencia Colectiva… ¡mal pensada!) (fusión puerta)

6 4.BOOSTING (1) -5- A.AdaBoost Aprendices: decisores débiles y duros Combinación lineal: Objetivo: y se diseña aprendiz a aprendiz:

7 4.BOOSTING (2) -6- Minimizando

8 4.BOOSTING (3) a. b. 3.Condición de parada: 4. 5.Vuelta a 2 Algoritmo AdaBoost

9 4.BOOSTING (4) -8- Esquema

10 4.BOOSTING (5) -9- B.Real AdaBoost Aprendices: decisores débiles y blandos Combinación lineal: Se minimiza la cota superior del coste exponencial

11 4.BOOSTING (6) -10- Resultan: para, ha de minimizarse admitiendo : parámetro de separación o corte (edge) tras ello, queda y anulando la derivada

12 4.BOOSTING (7) -11- Algoritmo Real AdaBoost Para a. b. 3.Condición de parada Vuelta a 2

13 -12- Casi nunca sobreajusta; explicaciones por trabajar con Breiman: por construir con aprendices blandos y énfasis 4.BOOSTING (8) Cuando sobreajusta:por énfasis excesivo sobre muestras imposibles arreglarlo:selección de muestras regularización énfasis mixtos... alternativa:fusión local (débil)

14 5.GCF-RAB (1) -13- Idea siendo una capa de RBF; p.ej., gaussianas Entrenamiento (tipo arcing), de forma convencional (min error cuadrático muestral enfatizado), por gradiente sobre usando dados

15 5.GCF-RAB (2) -14- reuniendo expresiones y se toma ; con lo que se tiene

16 5.GCF-RAB (3) -15- Arquitectura

17 6.DISEÑOS CONSIDERADOS (1) -16- A.1.Preselección (S-C) -proximidad a la frontera: -corrección: A.Selección de centroides Se preseleccionan las muestras con También Shin-Cho + Hwang-Bang y Se explora y A.2.Selección (APC-III H-B) -muestra de mayor -excluir muestras en una hiperesfera de radio -iterar hasta que no queden muestras

18 6.DISEÑOS CONSIDERADOS (2) : agrupamiento en torno a # : no. de muestras (promedio de distancias mínimas) 1. ( (no. nodos aprendices MLP))

19 - 18- (50 X 5-fold) RABGCF-RAB 1GCF-RAB 2 ab 19.4± ± ±0.3 br 2.6±0.42.3±0.42.2±0.3 co 29.0± ± ±0.8 cr 2.5±0.0 he 8.9±1.88.4±1.88.1±1.9 io 4.5±0.94.2±1.74.0±1.0 kw 11.7± ± ±0.2 ri9.7± ±0.38.5±0.2 7.RESULTADOS EXPERIMENTALES (carga en operación: órdenes similares, si se utilizan LUTs)

20 8.LÍNEAS DE TRABAJO -19- Mejores métodos de selección de centroides (también paso a paso) Inclusión de énfasis generalizados Otras puertas (complementarias: aprendices locales + fusión global) Extensiones a otros métodos constructivos (NCL, etc.)


Descargar ppt "REAL ADABOOST CON FUSIÓN CONTROLADA POR PUERTA (GCF-RAB) Aníbal R. Figueiras-Vidal G2PI-DTSC-UCIIIM."

Presentaciones similares


Anuncios Google