共訓練 - 機械学習の「朱鷺の杜Wiki」
共訓練 (co-training)† 半教師あり学習を実現する手法の一つ 事例の定義域は \(X\) は \(X_1\times X_2\) に分割できる．すなわち，一つの事例を二種類の属性ベクトルで表現できる． 例えば，一つのWebページがテキストに基づく特徴\(X_1\)と，リンクに基づく特徴 \(X_2\) で記述されているなど． \(X_1\) と \(X_2\) のどちらか一方だけでも分類には十分とする． \(\mathcal{D}\) は \(X\) 上の分布． \(\Pr{}_{\mathcal{D}}(x)\ne0\)なる事例 \(x\in X\) について，ラベル付け関数は無矛盾，すなわち，\(f(x\in X)=f_1(x_1\in X_1)=f_2(x_2\in X_2)\)．これが成立する仮定をcompatibleという． ここで，\(x_1\in X_1\) と
L2ノルム，L1ノルム，L0ノルム - 憂鬱な情報系学生
良く聞くんですが、よく分かっていなかった用語。 原点（あるいは平均などの特定の点）から ある点までの距離を表す”ノルム”。 良く聞くのが”L2ノルム”。 これは、各次元の値を2乗した和。 次が”L1ノルム”。 これは、各次元の値の絶対値の和。 最後に”L0ノルム”。 これは、0でない次元の数に等しい。 なんで”L0ノルム”というか。 実は各次元の値の”0極限”乗の和という意味らしい。 （0以外の）全ての実数の0乗は1なので、0極限乗でも1になる。 また、0は何乗しても0である。 だから、各次元の値が0でない分だけ1が足されて、 結局、0でない次元の数になる ということみたいです。 ちなみに0の0乗は一般には定義されないそうです。 (補足) ベクトル について、各ノルムを数式で表すと以下のようになります。 （L2ノルム） （L1ノルム） （L0ノルム） ただし、 （更に補足） ２点 ， 間の
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://www.bi.a.u-tokyo.ac.jp/~tak/index.html
