高斯核正则化学习算法的泛化误差

Yongquan Zhang, 李友梅

Abstract: 对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究．其目标是给出学习算法泛化误差的一个较为满意上界．泛化误差可以利用正则误差和样本误差来测定．基于高斯核的特性，通过构构建一个径向基函数 (简记为 RBF)神经网络，给出了正则误差的上界估计，通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计．所获结果表明，通过适当选取参数 和 A，可以提高学习算法的泛化性能．