Randomized Machine Learning: Statement, solution, applications

In this paper we propose a new machine learning concept called randomized machine learning, in which model parameters are assumed random and data are assumed to contain random errors. Distinction of this approach from “classical” machine learning is that optimal estimation deals with the probability density functions of random parameters and the “worst” probability density of random data errors. As the optimality criterion of estimation, randomized machine learning employs the generalized information entropy maximized on a set described by the system of empirical balances. We apply this approach to text classification and dynamic regression problems. The results illustrate capabilities of the approach.

Авторы
Сборник материалов конференции
Издательство
Institute of Electrical and Electronics Engineers Inc.
Язык
Английский
Страницы
27-39
Статус
Опубликовано
Год
2016
Организации
  • 1 Росcийский университет дружбы народов
Дата создания
30.10.2018
Дата изменения
25.02.2019
Постоянная ссылка
https://repository.rudn.ru/ru/records/article/record/30759/
Поделиться

Другие записи

Zaryadov I.S., Razumchik R.V., Milovanova T.A.
Распределенные компьютерные и телекоммуникационные сети: управление, вычисление, связь (DCCN-2016): материалы Девятнадцатой международной научной конференции. Москва, 21-25 ноября 2016 г.: в 3 т. T. 3: Молодежная школа-семинар. РУДН. Том 678. 2016. С. 489-497