Genetic Algorithm with Species for Regularization Network Metalearning

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F10%3A00356026" target="_blank" >RIV/67985807:_____/10:00356026 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Genetic Algorithm with Species for Regularization Network Metalearning
Popis výsledku v původním jazyce
Regularization networks are one of the important methods for supervised learning. They benefit from very good theoretical background, though their drawback is the presence of metaparameters. The metaparameters are typically supposed to be given by an user. In this paper, we develop a method for finding optimal values for metaparameters, namely type of kernel function, kernel?s parameter and regularization parameter. The method is based on genetic algorithms with different species for different kinds ofkernels. The method is demonstrated on experiments.
Název v anglickém jazyce
Genetic Algorithm with Species for Regularization Network Metalearning
Popis výsledku anglicky
Regularization networks are one of the important methods for supervised learning. They benefit from very good theoretical background, though their drawback is the presence of metaparameters. The metaparameters are typically supposed to be given by an user. In this paper, we develop a method for finding optimal values for metaparameters, namely type of kernel function, kernel?s parameter and regularization parameter. The method is based on genetic algorithms with different species for different kinds ofkernels. The method is demonstrated on experiments.

Projekt
<a href="/cs/project/GA201%2F08%2F1744" target="_blank" >GA201/08/1744: Složitost perceptronových a jádrových sítí</a><br>
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)