Entropiemethoden für Operatoren zur Abschätzung der Generalisierungsfähigkeit von Support Vector Machines und verwandter, kernbasierter Algorithmen

在支持向量机中应用典型的支持向量机和最小二乘支持向量机算法。从传统的维度，从基本的角度，从公式的角度，从传统的角度出发，从不同的角度出发，从不同的角度出发。这是一种渐近最优的方法，从理论上讲是不可能的。·Gute Abschätzzungen für typeischise verwented te Trainingsdatensatzgröçen and FehlerColomanzen，um auf diese Weise Fragen Wie a-Priori Wahl des Kerns untersuchen zu können.在这一点上，我不知道该怎么做，因为他不知道怎么做才好。

Dieses Projekt befaßt sich mit der Abschätzung von Überdeckungszahlen bestimmter Funktionenklassen, die typischerweise in Support Vector Machines und verwandter, kernbasierter Lernalgorithmen benutzt werden. Die Abschätzung erfolgt dabei nicht auf dem traditionellen Weg über eine VC-Dimension, sondern basiert auf einer kürzlich entwickelten Umformulierung, die es ermöglicht, Ungleichungen für Entropiezahlen von Operatoren auszunutzen. Unsere Arbeit konzentriert sich dabei auf zwei wesentliche Aspekte:· Asymptotisch optimale Abschätzungen, die für theoretische Überlegungen interessant sind. Insbesondere können auf diese Weise neue Ergebnisse über die Generalisierungsfähigkeit von Lernmaschinen abgeleitet werden.· Gute Abschätzungen für typischerweise verwendete Trainingsdatensatzgrößen und Fehlertoleranzen, um auf diese Weise Fragen wie a-priori Wahl des Kerns untersuchen zu können. Insbesondere werden hier auch die Konstanten abgeschätzt, deren Kenntnis für bestimmte Fragestellungen sehr wichtig ist.