摘要翻译:
本文提出了一种新的基于支持向量机(SVM)的函数分类方法。不像我们以前的工作那样依赖于截断希尔伯特基上的投影,我们使用隐式样条插值,允许我们在所研究的函数的导数上计算支持向量机。为此,我们提出了一个直接定义在观察函数离散化上的核。我们证明了这种方法是普遍一致的。
---
英文标题:
《Un r\'esultat de consistance pour des SVM fonctionnels par interpolation
spline》
---
作者:
Nathalie Villa (GRIMM), Fabrice Rossi (INRIA Rocquencourt / INRIA
Sophia Antipolis)
---
最新提交年份:
2007
---
分类信息:
一级分类:Mathematics 数学
二级分类:Statistics Theory 统计理论
分类描述:Applied, computational and theoretical statistics: e.g. statistical inference, regression, time series, multivariate analysis, data analysis, Markov chain Monte Carlo, design of experiments, case studies
应用统计、计算统计和理论统计:例如统计推断、回归、时间序列、多元分析、数据分析、马尔可夫链蒙特卡罗、实验设计、案例研究
--
一级分类:Statistics 统计学
二级分类:Statistics Theory 统计理论
分类描述:stat.TH is an alias for math.ST. Asymptotics, Bayesian Inference, Decision Theory, Estimation, Foundations, Inference, Testing.
Stat.Th是Math.St的别名。渐近,贝叶斯推论,决策理论,估计,基础,推论,检验。
--
---
英文摘要:
This Note proposes a new methodology for function classification with Support Vector Machine (SVM). Rather than relying on projection on a truncated Hilbert basis as in our previous work, we use an implicit spline interpolation that allows us to compute SVM on the derivatives of the studied functions. To that end, we propose a kernel defined directly on the discretizations of the observed functions. We show that this method is universally consistent.
---
PDF链接:
https://arxiv.org/pdf/705.021