| dbo:abstract
|
- في نظرية فابنيك-تشيرفونينكيس ، يعد بُعد فابنيك-تشيرفونينكيس (VC) مقياسًا للقدرة ، التعقيد ، القوة التعبيرية ، الثراء ، أو المرونة . لمجموعة من الوظائف التي يمكن تعلمها بواسطة خوارزمية للتصنيف الثنائي الإحصائي. يتم تعريفها على أنها أكبر مجموعة من النقاط التي يمكن لخوارزمية تحطيمها ، مما يعني أن الخوارزمية يمكنها دائمًا تعلم مصنف مثالي لأي تصنيف لنقاط البيانات المتعددة. تم تعريف هذا البُعد في الأصل من قبل فلاديمير فابنيك وأليكسي تشيرفونينكيس. ترتبط قدرة نموذج أي تصنيف بمدى تعقيده. على سبيل المثال ، ضع في اعتبارك عتبة متعددة الحدود ذات الدرجة العالية: إذا تم تقييم كثير الحدود فوق الصفر ، يتم تصنيف هذه النقطة على أنها موجبة ، وبخلاف ذلك يتم تصنيفها على أنها سالبة. يمكن أن تكون كثيرة الحدود ذات درجة عالية متذبذبة ، لذا يمكن أن تناسب مجموعة معينة من نقاط التدريب جيدًا. لكن يمكن للمرء أن يتوقع أن المصنف سيرتكب أخطاء في أي نقاط أخرى ، لأنها شديدة التذبذب . مثل هذا كثير الحدود لديه قدرة عالية. بديل أبسط بكثير هو عتبة دالة خطية. قد لا تتناسب هذه الوظيفة مع مجموعة التدريب جيدًا ، لأنها ذات سعة منخفضة. (ar)
- La dimensión VC (del inglés Vapnik-Chervonenkis dimension) es una medida de la de los algoritmos de clasificación estadística, definida como la cardinalidad del mayor conjunto de puntos que el algoritmo puede separar. Es un concepto central en la , y fue originalmente definido por y . (es)
- Dans la théorie de l'apprentissage automatique, la dimension VC (pour dimension de Vapnik-Chervonenkis suivant la translittération anglaise souvent utilisée en français ou en translittération française pour dimension de Vapnik-Tchervonenkis) est une mesure de la capacité d'un algorithme de classification statistique. Elle est définie comme le cardinal du plus grand ensemble de points que l'algorithme peut pulvériser. C'est un concept central dans la théorie de Vapnik-Tchervonenkis. Il a été défini par Vladimir Vapnik et Alexeï Tchervonenkis. (fr)
- In Vapnik–Chervonenkis theory, the Vapnik–Chervonenkis (VC) dimension is a measure of the capacity (complexity, expressive power, richness, or flexibility) of a set of functions that can be learned by a statistical binary classification algorithm. It is defined as the cardinality of the largest set of points that the algorithm can shatter, which means the algorithm can always learn a perfect classifier for any labeling of at least one configuration of those data points. It was originally defined by Vladimir Vapnik and Alexey Chervonenkis. Informally, the capacity of a classification model is related to how complicated it can be. For example, consider the thresholding of a high-degree polynomial: if the polynomial evaluates above zero, that point is classified as positive, otherwise as negative. A high-degree polynomial can be wiggly, so it can fit a given set of training points well. But one can expect that the classifier will make errors on other points, because it is too wiggly. Such a polynomial has a high capacity. A much simpler alternative is to threshold a linear function. This function may not fit the training set well, because it has a low capacity. This notion of capacity is made rigorous below. (en)
- Wymiar Wapnika-Czerwonienkisa (wymiar VC, ang. VC dimension) – podstawowe pojęcie teorii uczenia maszynowego wprowadzone przez i . Stanowi miarę mocy wyrażania pojęć danej . Jest on zdefiniowany jako liczność największego zbioru, który jest rozbijany przez przestrzeń hipotez. Fundamentalne twierdzenie teorii uczenia charakteryzuje potencjalnie wyuczalne przestrzenie hipotez jako te o skończonym wymiarze VC. (pl)
- Размерность Вапника — Червоненкиса или VC-размерность — это характеристика семейства алгоритмов для решения задачи классификации с двумя классами, характеризующая сложность или ёмкость этого семейства. Это одно из ключевых понятий в теории Вапника-Червоненкиса о статистическом машинном обучении, названное в честь Владимира Вапника и Алексея Червоненкиса. Сами Вапник и Червоненкис предпочитают называть эту величину комбинаторной размерностью, так как выяснилось, она была известна алгебраистам еще до открытия их теории машинного обучения. (ru)
- У теорії статистичного навчання та , ВЧ-розмірність (розмірність Вапника — Червоненкіса, англ. VC dimension, Vapnik–Chervonenkis dimension) — це міра ємності (складності, виразної потужності, багатства або гнучкості, англ. capacity) простору функцій, яких може бути навчено певним алгоритмом статистичної класифікації. Вона визначається як потужність найбільшої множини точок, яку цей алгоритм може роздрібнити. Вона є ключовим поняттям теорії Вапника — Червоненкіса, первинно її визначили Володимир Вапник та . Неформально ємність класифікаційної моделі пов'язана з тим, наскільки складною ця модель може бути. Наприклад, розгляньмо порівняння з порогом многочлену високого степеню: якщо многочлен у результаті обчислення дає додатне значення, то ця точка класифікується як позитивна, а інакше — як негативна. Многочлен високого степеню може бути хвилястим, тому він може добре допасовуватися до заданого набору тренувальних точок. Але можна очікувати, що цей класифікатор робитиме помилки на інших точках, бо він хвилястий занадто. Такий многочлен має високу ємність. Набагато простішою альтернативою є порівняння з порогом лінійної функції. Ця функція може не допасовуватися до тренувального набору добре, оскільки вона має низьку ємність. Нижче це поняття ємності зроблено строгим. (uk)
- 瓦普尼克-契尔沃年基斯维（Vapnik-Chervonenkis Dimension），简称VC维，由弗拉基米尔·瓦普尼克与阿列克谢·契尔沃年基斯提出。在VC理论中，VC维是对一个可学习分类函数空间的能力（复杂度，表示能力等）的衡量。它定义为算法能“打散”的点集的势的最大值。直观地，一个分类模型的能力与其复杂程度相关。例如，考虑一个高次多项式的分类模型：若函数值大于0则分类为正，反之则分类为负。高次多项式能够“摆动”的范围很大，所以能够很好地拟合给定的点集。当然因此，这样的模型也很可能会在其他符合原点集趋势的点集上分类错误。我们说这一多项式是高能力的。如果考虑一个简单的线性分类模型，就不一定能够很好地拟合给定的点集。 (zh)
|
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 17498 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| dbp:wikiPageUsesTemplate
| |
| dcterms:subject
| |
| rdfs:comment
|
- La dimensión VC (del inglés Vapnik-Chervonenkis dimension) es una medida de la de los algoritmos de clasificación estadística, definida como la cardinalidad del mayor conjunto de puntos que el algoritmo puede separar. Es un concepto central en la , y fue originalmente definido por y . (es)
- Dans la théorie de l'apprentissage automatique, la dimension VC (pour dimension de Vapnik-Chervonenkis suivant la translittération anglaise souvent utilisée en français ou en translittération française pour dimension de Vapnik-Tchervonenkis) est une mesure de la capacité d'un algorithme de classification statistique. Elle est définie comme le cardinal du plus grand ensemble de points que l'algorithme peut pulvériser. C'est un concept central dans la théorie de Vapnik-Tchervonenkis. Il a été défini par Vladimir Vapnik et Alexeï Tchervonenkis. (fr)
- Wymiar Wapnika-Czerwonienkisa (wymiar VC, ang. VC dimension) – podstawowe pojęcie teorii uczenia maszynowego wprowadzone przez i . Stanowi miarę mocy wyrażania pojęć danej . Jest on zdefiniowany jako liczność największego zbioru, który jest rozbijany przez przestrzeń hipotez. Fundamentalne twierdzenie teorii uczenia charakteryzuje potencjalnie wyuczalne przestrzenie hipotez jako te o skończonym wymiarze VC. (pl)
- Размерность Вапника — Червоненкиса или VC-размерность — это характеристика семейства алгоритмов для решения задачи классификации с двумя классами, характеризующая сложность или ёмкость этого семейства. Это одно из ключевых понятий в теории Вапника-Червоненкиса о статистическом машинном обучении, названное в честь Владимира Вапника и Алексея Червоненкиса. Сами Вапник и Червоненкис предпочитают называть эту величину комбинаторной размерностью, так как выяснилось, она была известна алгебраистам еще до открытия их теории машинного обучения. (ru)
- 瓦普尼克-契尔沃年基斯维（Vapnik-Chervonenkis Dimension），简称VC维，由弗拉基米尔·瓦普尼克与阿列克谢·契尔沃年基斯提出。在VC理论中，VC维是对一个可学习分类函数空间的能力（复杂度，表示能力等）的衡量。它定义为算法能“打散”的点集的势的最大值。直观地，一个分类模型的能力与其复杂程度相关。例如，考虑一个高次多项式的分类模型：若函数值大于0则分类为正，反之则分类为负。高次多项式能够“摆动”的范围很大，所以能够很好地拟合给定的点集。当然因此，这样的模型也很可能会在其他符合原点集趋势的点集上分类错误。我们说这一多项式是高能力的。如果考虑一个简单的线性分类模型，就不一定能够很好地拟合给定的点集。 (zh)
- في نظرية فابنيك-تشيرفونينكيس ، يعد بُعد فابنيك-تشيرفونينكيس (VC) مقياسًا للقدرة ، التعقيد ، القوة التعبيرية ، الثراء ، أو المرونة . لمجموعة من الوظائف التي يمكن تعلمها بواسطة خوارزمية للتصنيف الثنائي الإحصائي. يتم تعريفها على أنها أكبر مجموعة من النقاط التي يمكن لخوارزمية تحطيمها ، مما يعني أن الخوارزمية يمكنها دائمًا تعلم مصنف مثالي لأي تصنيف لنقاط البيانات المتعددة. تم تعريف هذا البُعد في الأصل من قبل فلاديمير فابنيك وأليكسي تشيرفونينكيس. دالة خطية. قد لا تتناسب هذه الوظيفة مع مجموعة التدريب جيدًا ، لأنها ذات سعة منخفضة. (ar)
- In Vapnik–Chervonenkis theory, the Vapnik–Chervonenkis (VC) dimension is a measure of the capacity (complexity, expressive power, richness, or flexibility) of a set of functions that can be learned by a statistical binary classification algorithm. It is defined as the cardinality of the largest set of points that the algorithm can shatter, which means the algorithm can always learn a perfect classifier for any labeling of at least one configuration of those data points. It was originally defined by Vladimir Vapnik and Alexey Chervonenkis. (en)
- У теорії статистичного навчання та , ВЧ-розмірність (розмірність Вапника — Червоненкіса, англ. VC dimension, Vapnik–Chervonenkis dimension) — це міра ємності (складності, виразної потужності, багатства або гнучкості, англ. capacity) простору функцій, яких може бути навчено певним алгоритмом статистичної класифікації. Вона визначається як потужність найбільшої множини точок, яку цей алгоритм може роздрібнити. Вона є ключовим поняттям теорії Вапника — Червоненкіса, первинно її визначили Володимир Вапник та . (uk)
|
| rdfs:label
|
- بعد فابنيك-تشيرفونينكيس (ar)
- Dimensión VC (es)
- Dimension de Vapnik-Chervonenkis (fr)
- Wymiar Wapnika-Czerwonienkisa (pl)
- Размерность Вапника — Червоненкиса (ru)
- Vapnik–Chervonenkis dimension (en)
- ВЧ-розмірність (uk)
- VC维 (zh)
|
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:knownFor
of | |
| is dbo:wikiPageRedirects
of | |
| is dbo:wikiPageWikiLink
of | |
| is dbp:knownFor
of | |
| is foaf:primaryTopic
of | |
