یادگیری آمیخته تقویت شده تصحیح شده بر اساس تابع ماکزیمم درست نمایی

روش یادگیری آمیخته تقویت شده (BML)، روشی فزاینده برای یادگیری مدل های آمیخته در مسئله طبقه بندی است. در هر مرحله از روش یادگیری آمیخته تقویت شده، مولفه جدیدی با توجه به یک تابع هدف در جهت به حداکثررساندن تابع هدف به مدل آمیخته اضافه می شود. یکی از توابع هدف مورد استفاده در این روش، تابع ماکزیمم درست نمایی است. با استفاده از تابع درست نمایی ماکزیمم و معیارهای اطلاع می توان مولفه بهینه و تعداد بهینه ای از مولفه های جدید را تشخیص داد. چون معیارهای اطلاع توانایی تشخیص مدل های معادل را ندارد، بنابراین ممکن است مدل آمیخته جدید معادل با مدل آمیخته فعلی باشد، پس اضافه کردن مولفه جدید به مدل آمیخته فعلی باعث بهبود مدل نمی شود. در این مقاله، روش یادگیری آمیخته تقویت شده با استفاده از آزمون انتخاب مدل وونگ که توانایی تشخیص مدل های معادل را دارد، تصحیح شده است.

کلیدواژه ها:

آزمون وونگ ، انتخاب مدل ، تابع ماکزیمم درست نمایی ، روش یادگیری آمیخته تقویت شده.