具有新型核密度估计器的监督机器学习
摘要：核密度估计近年来被计算机科学家用来建模机器学习问题。基于核密度估计的方法由于构建分类器的低时间复杂度（O(n)或O(n*log(n))）而受到关注，其中n是采样实例的数量。关于核密度估计器的设计，一个重要问题是随着采样实例数量的增加，点态均方误差（MSE）和/或积分均方误差（IMSE）的减小速度。本文证明，通过所提出的核函数，可以使密度估计器的点态均方误差在向量空间的维度不变的情况下收敛到O(n^-2/3)，前提是感兴趣点的概率密度函数满足一定条件。
作者：Yen-Jen Oyang, Darby Tien-Hao Chang, Yu-Yen Ou, Hao-Geng Hung, Chih-Peng Wu and Chien-Yu Chen
论文ID：0709.2760
分类：Machine Learning
分类简称：stat.ML
提交时间：2007-10-16