Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: przekleństwa wymiarowości

Sortuj według:

Ogranicz wyniki do:

Multivariate function approximation using sparse grids and High Dimensional Model Representation – a comparison

Baran M.

Czasopismo Techniczne. Nauki Podstawowe

2014

R. 111, z. 3-NP

97--107

In many areas of science and technology, there is a need for effective procedures for approximating multivariate functions. Sparse grids and cut-HDMR (High Dimensional Model Representation) are two alternative approaches to such multivariate approximations. It is therefore interesting to compare these two methods. Numerical experiments performed in this study indicate that the sparse grid approximation is more accurate than the cut-HDMR approximation that uses a comparable number of known values of the approximated function unless the approximated function can be expressed as a sum of high order polynomials of one or two variables.

W wielu obszarach nauki i technologii potrzebne są efektywne metody aproksymacji funkcji wielu zmiennych. Sieci rzadkie i cut-HDMR (High Dimensional Model Representation) są dwoma alternatywnymi podejściami do aproksymacji funkcji wielu zmiennych. Interesujące jest zatem porównanie tych dwóch metod. Eksperymenty numeryczne przeprowadzone w ramach niniejszych badań wskazują, że aproksymacja sieciami rzadkimi jest bardziej dokładna niż aproksymacja cut-HDMR wykorzystująca porównywalną liczbę znanych o ile aproksymowana funkcja nie może być wyrażona jako suma wielomianów wysokiego stopnia jednej lub dwóch zmiennych.

Redukcja wymiarowości i selekcja cech w zadaniach klasyfikacji i regresji z wykorzystaniem uczenia maszynowego

Ziemba P.

Zeszyty Naukowe. Studia Informatica / Uniwersytet Szczeciński

2012

Nr 30

221--236

Machine learning is being used in tasks of the regression and classification. In the field of classification a multidimensional of classified objects is one of essential problems. Classification is held on the basis of the value of features. These features are reflecting dimensions of the object subjected to the classification. In the article, applied algorithms were introduced selection of features which let reduce a problem “curses of dimensionality”.