Skip to Main content Skip to Navigation
Conference papers

Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes

Résumé : Le problème considéré dans cet article concerne l’optimisation des hyperparamètres d’une fonction noyau Gaussienne à l’aide de mesures de similitude entre matrices. Deux contributions sont proposées : 1) une nouvelle mesure de similarité entre fonctions noyaux et 2) une nouvelle paramétrisation pour les noyaux Gaussiens. Des améliorations des temps de calculs et des taux de bonnes classifications par rapport à la validation croisée pour un classifier k-nn sont obtenues sur des jeux de données standards.
Complete list of metadata

Cited literature [13 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-01793294
Contributor : Open Archive Toulouse Archive Ouverte (oatao) <>
Submitted on : Wednesday, May 16, 2018 - 2:14:11 PM
Last modification on : Friday, July 31, 2020 - 3:45:22 AM
Long-term archiving on: : Tuesday, September 25, 2018 - 6:39:28 PM

File

Fauvel_16327.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01793294, version 1
  • OATAO : 16327
  • PRODINRA : 252604

Collections

Citation

Mathieu Fauvel. Approximation de matrices pour l’apprentissage des hyperparamètres des fonctions noyaux Gaussiennes. XXIVème Colloque GRETSI sur le traitement du signal et des images, Sep 2013, Brest, France. pp. 1-4. ⟨hal-01793294⟩

Share

Metrics

Record views

56

Files downloads

150