We present a new ensemble learning

We present a new ensemble learning algorithm,DeepBoost, which can use as base classifiers a
hypothesis set containing deep decision trees, ormembers of other rich or complex families, and
succeed in achieving high accuracy without overfitting the data. The key to the success of the algorithm is a capacity-conscious criterion for the selection of the hypotheses. We give new datadependent learning bounds for convex ensembles expressed in terms of the Rademacher complexities of the sub-families composing the base classifierset, and the mixture weight assigned to eachsub-family. Our algorithm directly benefits from these guarantees since it seeks to minimize the
corresponding learning bound. We give a full description of our algorithm, including the details
of its derivation, and report the results of severalexperiments showing that its performance compares favorably to that of AdaBoost and Logistic Regression and their L1-regularized variants.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอวงดนตรีแบบใหม่เรียนรู้อัลกอริทึม DeepBoost ซึ่งสามารถใช้เป็นคำหลักภาษาพื้นฐานตั้งสมมติฐานที่ประกอบด้วยต้นไม้ตัดสินใจลึก ormembers ของครอบครัวอื่น ๆ ที่หลากหลาย หรือซับซ้อน และประสบความสำเร็จในการบรรลุความแม่นยำสูงโดย overfitting ข้อมูล คีย์ความสำเร็จของอัลกอริทึมเป็นเกณฑ์สติความจุสำหรับการเลือกสมมติฐาน เราให้ datadependent ใหม่ขอบเขตการเรียนรู้ประจักษ์นูนแสดงในแง่ความซับซ้อน Rademacher ตระกูลย่อยเขียน classifierset ฐาน และน้ำหนักของส่วนผสมที่กำหนดให้ครอบครัวงขอบ อัลกอริทึมของเราโดยตรงได้รับประโยชน์จากประกันเหล่านี้เนื่องจากมันพยายามที่จะลดการตรงเรียนผูก เราให้คำอธิบายเต็มของขั้นตอนวิธีของเรา รวมทั้งรายละเอียดของที่มาของ และรายงานผลการ severalexperiments แสดงว่า ประสิทธิภาพการทำงานเปรียบเทียบพิทที่ถด ถอยโลจิสติก และตัวแปรของ L1 regularized และ AdaBoost

ผลลัพธ์ (ไทย) 2:

เรานำเสนอชุดใหม่การเรียนรู้ขั้นตอนวิธีการ DeepBoost ซึ่งสามารถใช้เป็นฐานลักษณนาม
สมมติฐานตั้งที่มีต้นไม้ตัดสินใจลึก ormembers ของครอบครัวที่อุดมไปด้วยหรือซับซ้อนอื่น ๆ และ
ประสบความสำเร็จในการบรรลุความแม่นยำสูงโดยไม่ต้อง overfitting ข้อมูล กุญแจสู่ความสำเร็จของอัลกอริทึมที่เป็นเกณฑ์กำลังการผลิตที่ใส่ใจในการเลือกสมมติฐานที่ เราจะให้ขอบเขตการเรียนรู้ใหม่สำหรับ datadependent ตระการตานูนแสดงในแง่ของความซับซ้อน Rademacher ย่อยครอบครัวแต่ง classifierset ฐานและน้ำหนักส่วนผสมที่ได้รับมอบหมาย eachsub ครอบครัว อัลกอริทึมของเราโดยตรงได้รับประโยชน์จากการค้ำประกันเหล่านี้เนื่องจากมันพยายามที่จะลดความ
สอดคล้องการเรียนรู้ที่ถูกผูกไว้ เราให้คำอธิบายที่เต็มรูปแบบของอัลกอริทึมของเรารวมถึงรายละเอียด
ของแหล่งที่มาของตนและรายงานผลการ severalexperiments แสดงว่าผลการดำเนินงานเปรียบเทียบกับที่ของ AdaBoost และการถดถอยโลจิสติกและตัวแปร L1-regularized ของพวกเขา

ผลลัพธ์ (ไทย) 3:

เราได้เสนออัลกอริทึมการเรียนรู้ deepboost ใหม่ทั้งหมด , ซึ่งสามารถใช้เป็นฐาน คือเป็นสมมติฐานที่ตั้งที่มีต้นไม้การตัดสินใจลึก ormembers ของครอบครัวที่ร่ำรวยหรือซับซ้อน และอื่น ๆประสบความสำเร็จในการบรรลุความถูกต้องสูงโดยไม่ overfitting ข้อมูล กุญแจสู่ความสำเร็จของขั้นตอนวิธีนี้คือความจุที่ใส่ใจเกณฑ์สำหรับการเลือกของสมมติฐาน เราให้ใหม่ datadependent เรียนรู้ข้อกำหนดสำหรับนูนตระการตาแสดงออกในแง่ของ rademacher ความซับซ้อนของ Sub ครอบครัวประกอบด้วยฐาน classifierset และส่วนผสมน้ำหนักได้รับมอบหมายให้ eachsub ครอบครัว ขั้นตอนวิธีของเราได้โดยตรง ได้รับประโยชน์จากหลักประกันเหล่านี้เพราะมันพยายามที่จะลดการเรียนรู้ที่ถูกผูกไว้ เราให้รายละเอียดของขั้นตอนวิธีของเรา รวมทั้งรายละเอียดของรากศัพท์ และรายงานผล severalexperiments แสดงผลการดำเนินงาน เปรียบเทียบกับที่ของ adaboost และการถดถอยโลจิสติกและ L1 พวกเขา regularized แปร