Skip to main content
SpringerLink
Log in

Bemerkungen zum Schätzen von Bayesschen Diskriminantenfunktionen

  • Chapter
Informatik

Part of the book series: TEUBNER-TEXTE zur Informatik ((TTZI,volume 1))

  • 49 Accesses

Zusammenfassung

Bei der Approximation von Bayesschen Diskriminantenfunktionen zum Zwecke der automatischen Objektklassifikation ist es üblich, unbekannte Parameter durch empirische Schätzungen zu ersetzen. Wir entwickeln in diesem Beitrag eine ausgefeiltere Schätzmethode mit dem Ziel, auf effiziente Weise und mit (beweisbar) hoher Zuverlässigkeit, zu fast optimalen Diskriminantenfunktionen zu gelangen. Wir wenden dabei Grundgedanken des sogenannten pac-Lernens (pac = probably approximately correct) auf die Bayessche Entscheidungstheorie an.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. Svetlana Annulova, Jorge Cuellar, Klaus Uwe Höffgen, and Hans Ulrich Simon. Probably almost optimal neural classifiers. In preparation.

    Google Scholar 

  2. Richard O. Duda and Peter E. Hart. Pattern Classification and Scene Analysis. Wiley-Interscience. John Wiley & Sons, New York, 1973.

    MATH  Google Scholar 

  3. Paul Fischer, Stefan Polt, and Hans Ulrich Simon. Probably almost Bayes decisions. In Proceedings of the 4th Annual Workshop on Computational Learning Theory, pages 88–94, 1991.

    Google Scholar 

  4. David Haussler. Generalizing the pac model: Sample size bounds from metric-dimension based uniform convergence results. In Proceedings of the 30’th Annual Symposium on the Foundations of Computer Science, pages 40–46, 1989.

    Chapter  Google Scholar 

  5. Michael J. Kearns and Robert E. Schapire. Efficient distribution-free learning of probabilistic concepts. In Proceedings of the 31 ‘th Annual Symposium on the Foundations of Computer Science, pages 382–392, 1990.

    Chapter  Google Scholar 

  6. Leslie G. Valiant. A theory of the learnable. Communications of the ACM, 27(11):1134–1142, 1984.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. FB Informatik, Universität Dortmund, Germany

    Hans Ulrich Simon

Authors
  1. Hans Ulrich Simon
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Universität Saarbrücken, Deutschland

    Johannes Buchmann , Harald Ganzinger  & Wolfgang J. Paul ,  & 

Rights and permissions

Reprints and permissions

Copyright information

© 1992 B. G. Teubner Verlagsgesellschaft, Leipzig

About this chapter

Cite this chapter

Simon, H.U. (1992). Bemerkungen zum Schätzen von Bayesschen Diskriminantenfunktionen. In: Buchmann, J., Ganzinger, H., Paul, W.J. (eds) Informatik. TEUBNER-TEXTE zur Informatik, vol 1. Vieweg+Teubner Verlag, Wiesbaden. https://doi.org/10.1007/978-3-322-95233-2_23

Download citation

  • DOI: https://doi.org/10.1007/978-3-322-95233-2_23

  • Publisher Name: Vieweg+Teubner Verlag, Wiesbaden

  • Print ISBN: 978-3-8154-2033-1

  • Online ISBN: 978-3-322-95233-2

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation