We have motivated radial basis func

We have motivated radial basis functions from the perspectives of function approximation, regularization, noisy interpolation, kernel regression, and the estimation of posterior class probabilities for classification problems. All of these viewpoints suggest that the basis function parameters should be chosen to form a representation of the probability density of the input data. This leads to an unsupervised procedure for optimizing the basis function parameters which de- pends only on the input data from the training set, and which ignores any target information. The basis function centres fij can then be regarded as prototypes of the input vectors. In this section we discuss a number of possible strategies for optimizing the basis functions which are motivated by these considerations.

Kết quả (Việt) 1:

Chúng tôi có động cơ bố trí hình tròn xuyên chức năng từ quan điểm của chức năng xấp xỉ, regularization, ồn ào nội suy, hạt nhân hồi qui, và ước lượng về sau lớp xác suất cho vấn đề phân loại. Tất cả các quan điểm đề nghị rằng các tham số chức năng cơ sở nên được lựa chọn để tạo thành một đại diện của mật độ xác suất của các dữ liệu đầu vào. Điều này dẫn đến một thủ tục không có giám sát tối ưu hóa các thông số chức năng cơ sở mà pends de chỉ trên đầu vào dữ liệu từ việc đào tạo thiết lập, và mà bỏ qua bất kỳ thông tin mục tiêu. Cơ sở hoạt động Trung tâm fij sau đó có thể được coi là nguyên mẫu của các vectơ đầu vào. Trong phần này, chúng tôi thảo luận về một số các chiến lược có thể để tối ưu hóa các chức năng cơ sở được thúc đẩy bởi những nhận xét.

Kết quả (Việt) 2:

Chúng tôi đã thúc đẩy các hàm cơ sở xuyên tâm từ quan điểm của các chức năng xấp xỉ, chính quy, suy ồn ào, hồi quy hạt nhân, và ước tính các xác suất lớp sau cho vấn đề phân loại. Tất cả những quan điểm cho rằng các thông số chức năng cơ sở nên được lựa chọn để tạo thành một đại diện của các mật độ xác suất của dữ liệu đầu vào. Điều này dẫn đến một thủ tục không được giám sát để tối ưu hóa các thông số chức năng cơ bản mà de- pends chỉ trên các dữ liệu đầu vào từ tập huấn luyện, và đó bỏ qua bất kỳ thông tin mục tiêu. Các cơ sở các trung tâm chức năng fij sau đó có thể được coi là nguyên mẫu của các vector đầu vào. Trong phần này, chúng tôi thảo luận về một số chiến lược có thể để tối ưu hóa các chức năng cơ bản được thúc đẩy bởi những nhận xét này.