Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Hellinger distance

Sortuj według:

Ogranicz wyniki do:

Employing Probabilistic Dissimilarity for Feature Discovery in a Game of Chess

Łopatka R., Olszewski D.

Przegląd Elektrotechniczny

2011

R. 87, nr 1

240-244

We present the feature discovery technique based on the use of the probabilistic dissimilarity, i.e., a measure of dissimilarity between two probability distributions. The solutions in the field of feature discovery, generally, fall into feature extraction and feature selection methods. Both of these groups form the feature subset on the basis of the initial feature set. Also, both of the groups use the numeric representations of features, what often can be misleading, since the different physical meaning of different features can be lost, when they are all treated only as numbers. The approach we propose does not require the initial feature set. Moreover, it does not require the numeric representation of the features. Instead, we propose using only one numeric, decimal quantity allowing for effective feature discovery. We demonstrate that taking advantage of the probabilistic dissimilarity during the feature retrieval phase can benefit by discovering relevant features. We show the way to create a probabilistic model of the analyzed data set, required for the use of the proposed technique. Finally, we report the experimental results of application of the feature discovery method introduced in this paper to the game of chess.

Przedstawiamy technikę odkrywania cech wykorzystującą ˛ pseudoodległość probabilistyczną będącą miarą podobieństwa pomiędzy dwoma rozkładami prawdopodobieństwa. Rozwiązania zaproponowane w dziedzinie odkrywania cech mogą być w ogólności podzielone na metody ekstrakcji i selekcji cech. Obie te grupy metod formują podzbiór cech na podstawie początkowego zbioru cech. Obie te grupy wykorzystują również reprezentacje liczbowe cech, co często może być mylące, gdyż różne znaczenie fizyczne różnych cech może zostać utracone, kiedy wszystkie cechy traktowane są jedynie jako liczby. Proponowane podejście nie wymaga początkowego zbioru cech. Co więcej, nie wymaga ono reprezentacji liczbowej cech. W zamian proponujemy wykorzystanie tylko jednej dziesiętnej wielkości liczbowej, pozwalającej na skuteczne odkrywanie cech. Demonstrujemy, że wykorzystanie pseudoodległości probabilistycznej pozwala odkryć istotne cechy. Przedstawiamy także sposób budowy modelu probabilistycznego analizowanych danych, wymaganego do zastosowania proponowanej techniki. W części pracy poświęconej eksperymentom, przedstawiamy wyniki zastosowania proponowanej metody odkrywania cech w dziedzinie gry w szachy.

Rates of convergence for the maximum likelihood estimator in the convolution model

Majerski P.

Opuscula Mathematica

2006

Vol. 26, no. 1

99-108

Rates of convergence for the maximum likelihood estimator in the convolution model, obtained recently by S. van de Geer, are reconsidered and corrected.