Zusammenfassung
Die Anforderungen, die das PAC-Modell an einen Lernalgorithmus stellt, sind sehr hoch. Nicht nur muß bezüglich jeder Verteilung gelernt werden können, sondern es muß auch ein beliebig kleiner Fehler mit einer beliebig hohen Zuverlässigkeit erreicht werden können. In diesem Kapitel werden wir Algorithmen betrachten, die die Fehler- oder Zuverlässigkeitsbedingung oder beide nicht erfüllen. Wir werden sehen, daß man aus solchen Algorithmen PAC-Lerner konstruieren kann, wenn sie „nur ein bißchen besser sind als ein Münzwurf“. Diesen Prozeß, die Güte eines Verfahrens zu erhöhen, bezeichnet man (nicht nur in der Lerntheorie) als Boosting, übersetzt etwa Verstärkung. Die Ergebnisse, die in diesem Kapitel vorgestellt werden, stammen im wesentlichen von Schapire [Sch90].
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1999 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Fischer, P. (1999). Schwache Lerner und Boosting. In: Algorithmisches Lernen. Leitfäden der Informatik. Vieweg+Teubner Verlag, Wiesbaden. https://doi.org/10.1007/978-3-663-11956-2_4
Download citation
DOI: https://doi.org/10.1007/978-3-663-11956-2_4
Publisher Name: Vieweg+Teubner Verlag, Wiesbaden
Print ISBN: 978-3-519-02946-5
Online ISBN: 978-3-663-11956-2
eBook Packages: Springer Book Archive