Cap´ıtulo 8 Aprendizaje Basado en Instancias
Cap´ıtulo 8 Aprendizaje Basado en Instancias
Cap´ıtulo 8 Aprendizaje Basado en Instancias
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
• Sintonización local a múltiples escalas<br />
• Usar gradi<strong>en</strong>tes para sintonizar parámetros<br />
• Definir cuánta validación cruzada es sufici<strong>en</strong>te<br />
• Usar métodos probabilísticos<br />
• Olvidar datos<br />
• Mejorar aspectos computacionales con muchos datos<br />
• No hacer el apr<strong>en</strong>dizaje completam<strong>en</strong>te lazy<br />
8.6 Funciones de bases radiales<br />
Radial basis functions (RBF) utilizan una combinación de funciones Kernel<br />
que decrec<strong>en</strong> con la distancia (correspondería a K(d(xq, x)) <strong>en</strong> las expresiones<br />
de arriba).<br />
k<br />
ˆf(x) = w0 + wuKu(d(xu, x))<br />
u=1<br />
Para cada instancia xu existe una función Kernel que decrece con la distancia<br />
a xu.<br />
Lo más común es escoger funciones normales o Gaussianas para las Ks.<br />
Ku(d(xu, x)) =<br />
1 1<br />
√ e−2σ 2πσ2 2 d2 (xu,x)<br />
La función ˆ f(x) consiste básicam<strong>en</strong>te de dos elem<strong>en</strong>tos: uno que calcula<br />
las funciones Kernel y otro los pesos de estas.<br />
Estas se pued<strong>en</strong> apr<strong>en</strong>der d<strong>en</strong>tro de una red neuronal de dos capas (ver<br />
figure 8.1).<br />
186