Model Selection and Error Estimation

Tipo de curso	Monografía
Método	Online
Precio/Facilidades	Gratuito
Centro	RECERCAT - Dipòsit de Recerca de Catalunya
Para qué te prepara	- -
Dirigido a	- -

Temario	Información adicional y temario

Captura de pantalla del curso

Cursos de la misma temática

Similitud

Mercados Financieros en la Economía Global
Curso - Online

Atención garantizada

Similitud

Curso de Introducción a la Economía de la Empresa
Curso - Online

	Atención garantizada
	Titulación oficial

Similitud

Economía y Nuevos Yacimientos de Empleo
Curso - Online

	Atención garantizada
	Titulación oficial

Similitud

Master en Integración Económica Internacional y Unión Europea
Master - Online

Atención garantizada

Similitud

Economía de la Unión Europea: Mercado único y Políticas Económicas
Curso - Online

Atención garantizada

+ Manual de Teoría Económica

Accede a este Curso Ahora

* Nombre:

* E-mail:

* Pais:

* Provincia:

¿Deseas recibir información gratuita en tu e-mail de los cursos que más te interesan gracias a Emagister.com? Sí, quiero darme de alta en Emagister.com

Temario del curso

Colabora: Universitat Pompeu Fabra. Departament d'Economia i Empresa

Autor/es:

Peter L. Bartlett; Stéphane Boucheron; Gábor Lugosi;

Resumen :

We study model selection strategies based on penalized empirical loss minimization. We point out a tight relationship between error estimation and data-based complexity penalization: any good error estimate may be converted into a data-based penalty function and the performance of the estimate is governed by the quality of the error estimate. We consider several penalty functions, involving error estimates on independent test data, empirical {\sc vc} dimension, empirical {\sc vc} entropy, and margin-based quantities. We also consider the maximal difference between the error on the first half of the training data and the second half, and the expected maximal discrepancy, a closely related capacity estimate that can be calculated by Monte Carlo integration. Maximal discrepancy penalty functions are appealing for pattern classification problems, since their computation is equivalent to empirical risk minimization over the training data with some labels flipped.

Temas Relacionados