bayesian regularization
时间: 2023-05-14 09:07:05 浏览: 81
Bayesian regularization是一种正则化方法,它通过引入先验概率分布来约束模型参数的取值,从而避免过拟合问题。具体来说,它将参数看作是随机变量,利用贝叶斯定理计算后验概率分布,然后将其作为正则化项加入到损失函数中,以惩罚过大的参数值。这样可以在保持模型拟合能力的同时,提高其泛化能力。
相关问题
bayesian regularization算法
贝叶斯正则化算法是一种用于解决过拟合问题的机器学习算法。它通过在模型中引入先验概率分布,来限制模型参数的取值范围,从而避免模型过度拟合训练数据。在训练过程中,贝叶斯正则化算法会根据数据的后验概率分布来更新模型参数,从而得到更加准确的模型。
列出几个使用FNN作为主模型进行价格预测的高引用率论文呢
以下是一些使用前馈神经网络 (FNN) 进行价格预测的高引用率论文:
1. "Stock price prediction using artificial neural networks with hybridized market indicators" (2018) by A. Mishra, S. K. Tripathy, and B. K. Panigrahi.
2. "An ensemble of neural networks for stock trading decision making" (2017) by Y. Liu, C. Chen, and J. Chen.
3. "Deep learning for stock prediction using numerical and textual information" (2017) by C. Zhang, H. Zheng, Y. Tan, and Q. Li.
4. "Stock price prediction using LSTM, RNN and CNN-sliding window model" (2017) by R. Vinayakumar, N. Balaji, and M. Kannan.
5. "A hybrid method for stock price prediction using neural networks and ARIMA" (2017) by M. Jamil, A. Ahmad, M. Iqbal, and W. Majeed.
6. "Stock price prediction using multilayer perceptrons with Bayesian regularization" (2015) by H. Y. Huang, W. C. Wu, and Y. C. Tsai.
这些论文都是使用FNN等神经网络模型进行价格预测的经典研究,其中一些研究还结合了其他技术和算法,如LSTM,CNN,RNN和ARIMA等,以提高预测准确性。