Об эффективности методов классификации, основанных на минимизации эмпирического риска

Abstract

Задачу бінарної класифікації зведено до мінімізації опуклих функціоналів регуляризованого емпіричного ризику у репродуктивному гільбертовому просторі. Розв’язок цієї задачі шукається у вигляді лінійної комбінації ядерних опорних функцій (метод опорних векторів Вапника). Отримано оцінки ризику помилкової класифікації як функції об’єму навчальної вибірки та інших параметрів моделі.A binary classification problem is reduced to the minimization of convex regularized empirical risk functionals in a reproducing kernel Hilbert space. The solution is searched for in the form of a finite linear combination of kernel support functions (support vector machines of Vapnik). Risk estimates for a misclassification as a function of a training sample volume and other model parameters are obtained.