ترجمه فارسی مقاله انتخاب مدل از طریق مرتب سازی مدل

چکیده

We propose a novel approach to select the best model of the data. Based on the exclusive properties of the nested models, we find the most parsimonious model containing the risk minimizer predictor. We prove the existence of probable approximately correct (PAC) bounds on the difference of the minimum empirical risk of two successive nested models, called successive empirical excess risk (SEER). Based on these bounds, we propose a model order selection method called nested empirical risk (NER). By the sorted NER (S-NER) method to sort the models intelligently, the minimum risk decreases. We construct a test that predicts whether expanding the model decreases the minimum risk or not. With a high probability, the NER and S-NER choose the true model order and the most parsimonious model containing the risk minimizer predictor, respectively. We use S-NER model selection in the linear regression and show that, the S-NER method without any prior information can outperform the accuracy of feature sorting algorithms like orthogonal matching pursuit (OMP) that aided with prior knowledge of the true model order. Also, in the UCR data set, the NER method reduces the complexity of the classification of UCR datasets dramatically, with a negligible loss of accuracy.

چکیده به فارسی (ترجمه ماشینی)

ما یک روش جدید برای انتخاب بهترین مدل داده ها پیشنهاد می کنیم.بر اساس خصوصیات منحصر به فرد مدل های تو در تو ، ما می بینیم که بیشترین مدل را شامل می شود که حاوی پیش بینی کننده Minimizer خطر است.ما وجود مرزهای تقریباً صحیح (PAC) را در مورد تفاوت حداقل خطر تجربی دو مدل تو در تو در تو در تو ، به نام خطر اضافی تجربی متوالی (SEER) اثبات می کنیم.بر اساس این مرزها ، ما یک روش انتخاب سفارش مدل به نام خطر تجربی تو در تو (NER) را پیشنهاد می کنیم.با استفاده از روش مرتب شده NER (S-ENER) برای مرتب سازی مدل ها به صورت هوشمند ، حداقل خطر کاهش می یابد.ما آزمایشی می سازیم که پیش بینی می کند که آیا گسترش مدل حداقل خطر را کاهش می دهد یا خیر.با احتمال زیاد ، NER و S-ENER ترتیب مدل واقعی و مدل ترشی ترین مدل حاوی پیش بینی کننده Minimizer را انتخاب می کنند.ما از انتخاب مدل S در رگرسیون خطی استفاده می کنیم و نشان می دهیم که ، روش S-inn بدون هیچ گونه اطلاعات قبلی می تواند از صحت الگوریتم های مرتب سازی ویژگی مانند تعقیب و گریز ارتوگونی (OMP) بهتر عمل کند که با دانش قبلی از ترتیب مدل واقعی کمک می کند.همچنین ، در مجموعه داده های UCR ، روش NER پیچیدگی طبقه بندی مجموعه داده های UCR را به طرز چشمگیری و با از دست دادن دقت ناچیز کاهش می دهد.