Regularized Least Square Kernel Regression for Streaming Data
Regularized Least Square Kernel Regression for Streaming Data
复制标题
流数据的正则化最小二乘核回归
DOI：
--
复制
发表时间：
--
影响因子：
1
通讯作者：
Qiang Wu
中科院分区：
文献类型：
--
作者：
Xiaoqing Zheng;Hongwei Sun;Qiang Wu
我们研究了核岭回归（KRR）在分块流数据中的应用。该算法以在线方式工作：当一个新的数据块进入时，该算法基于传入的数据块计算一个局部估计量，并通过所有局部估计量的加权平均来更新预测模型。假设块数据以温和的速率增长，正则化参数根据模型更新时所有可用数据的样本大小自适应地选择，我们证明了平均KRR估计的收敛性。当回归函数在L ~ 2意义下能被再生核Hilbert空间很好地逼近时，该速率是最优的。
We study the use of kernel ridge regression (KRR) in the block-wise streaming data..The algorithm works in an online manner: when a new data block comes in, the algorithm computes an.local estimator based on the incoming data block and updates the predictive model by weighted average.of all local estimators. Assuming the block data sizes increase at a mild rate and the regularization.parameters are selected adaptively according to the sample size of all available data at the time of.updating the model, we prove the convergence of the average KRR estimator. The rate is optimal.when the regression function can be well approximated by the reproducing kernel Hilbert space in the.L2 sense.