Minimum error entropy classification

این کتاب مفهوم حداقل خطای آنتروپی (MEE) اعمال شده در ماشین‌های طبقه‌بندی داده را توضیح می‌دهد. نتایج نظری در مورد عملکرد درونی مفهوم MEE، در کاربرد آن برای حل انواع مسائل طبقه‌بندی، در قلمرو وسیع‌تری از عملکردهای ریسک ارائه شده است.

محققان و پزشکان همچنین در کتاب ارائه‌ای مفصل پیدا می‌کنند. طبقه بندی کننده داده های عملی با استفاده از MEE اینها شامل پرسپترون‌های چند لایه، شبکه‌های عصبی مکرر، شبکه‌های عصبی با ارزش پیچیده، شبکه‌های عصبی مدولار و درخت‌های تصمیم می‌شوند. یک الگوریتم خوشه بندی با استفاده از مفهومی شبیه MEE نیز ارائه شده است. مثال‌ها، آزمایش‌ها، آزمایش‌های ارزیابی و مقایسه با ماشین‌های مشابه با استفاده از رویکردهای کلاسیک، توضیحات را تکمیل می‌کنند.

This book explains the minimum error entropy (MEE) concept applied to data classification machines. Theoretical results on the inner workings of the MEE concept, in its application to solving a variety of classification problems, are presented in the wider realm of risk functionals.

Researchers and practitioners also find in the book a detailed presentation of practical data classifiers using MEE. These include multi‐layer perceptrons, recurrent neural networks, complexvalued neural networks, modular neural networks, and decision trees. A clustering algorithm using a MEE‐like concept is also presented. Examples, tests, evaluation experiments and comparison with similar machines using classic approaches, complement the descriptions.