The generalization complexity measure for continuous input data

Autores
Gómez, Iván; Cannas, Sergio Alejandro; Osenda, Omar; Jerez, José M.; Franco, Leonardo
Año de publicación
2014
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Fil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
We introduce in this work an extension for the generalization complexity measure to continuous input data. The measure, originally defined in Boolean space, quantifies the complexity of data in relationship to the prediction accuracy that can be expected when using a supervised classifier like a neural network, SVM, and so forth. We first extend the original measure for its use with continuous functions to later on, using an approach based on the use of the set of Walsh functions, consider the case of having a finite number of data points (inputs/outputs pairs), that is, usually the practical case. Using a set of trigonometric functions a model that gives a relationship between the size of the hidden layer of a neural network and the complexity is constructed. Finally, we demonstrate the application of the introduced complexity measure, by using the generated model, to the problem of estimating an adequate neural network architecture for real-world data sets.
http://dx.doi.org/10.1155/2014/815156
publishedVersion
Fil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Otras Ciencias de la Computación e Información
Materia
Complexity measure
Continuous input data
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/19897
Acceder
id RDUUNC_6d36236b5989e8ec58bfb4061a77090e
oai_identifier_str oai:rdu.unc.edu.ar:11086/19897
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling The generalization complexity measure for continuous input dataGómez, IvánCannas, Sergio AlejandroOsenda, OmarJerez, José M.Franco, LeonardoComplexity measureContinuous input dataFil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.We introduce in this work an extension for the generalization complexity measure to continuous input data. The measure, originally defined in Boolean space, quantifies the complexity of data in relationship to the prediction accuracy that can be expected when using a supervised classifier like a neural network, SVM, and so forth. We first extend the original measure for its use with continuous functions to later on, using an approach based on the use of the set of Walsh functions, consider the case of having a finite number of data points (inputs/outputs pairs), that is, usually the practical case. Using a set of trigonometric functions a model that gives a relationship between the size of the hidden layer of a neural network and the complexity is constructed. Finally, we demonstrate the application of the introduced complexity measure, by using the generated model, to the problem of estimating an adequate neural network architecture for real-world data sets.http://dx.doi.org/10.1155/2014/815156publishedVersionFil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.Otras Ciencias de la Computación e Información2014info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfGómez I, Cannas S A, Osenda O, Jerez J M, Franco L. (2014). The generalization complexity measure for continuous input data. Scientific World Journal. 2014, 815156. doi: 10.1155/2014/815156.1537-744Xhttp://hdl.handle.net/11086/19897http://dx.doi.org/10.1155/2014/815156engissn: 1537-744Xinfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:34:19Zoai:rdu.unc.edu.ar:11086/19897Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:34:19.998Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv The generalization complexity measure for continuous input data
title The generalization complexity measure for continuous input data
spellingShingle The generalization complexity measure for continuous input data
Gómez, Iván
Complexity measure
Continuous input data
title_short The generalization complexity measure for continuous input data
title_full The generalization complexity measure for continuous input data
title_fullStr The generalization complexity measure for continuous input data
title_full_unstemmed The generalization complexity measure for continuous input data
title_sort The generalization complexity measure for continuous input data
dc.creator.none.fl_str_mv Gómez, Iván
Cannas, Sergio Alejandro
Osenda, Omar
Jerez, José M.
Franco, Leonardo
author Gómez, Iván
author_facet Gómez, Iván
Cannas, Sergio Alejandro
Osenda, Omar
Jerez, José M.
Franco, Leonardo
author_role author
author2 Cannas, Sergio Alejandro
Osenda, Omar
Jerez, José M.
Franco, Leonardo
author2_role author
author
author
author
dc.subject.none.fl_str_mv Complexity measure
Continuous input data
topic Complexity measure
Continuous input data
dc.description.none.fl_txt_mv Fil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
We introduce in this work an extension for the generalization complexity measure to continuous input data. The measure, originally defined in Boolean space, quantifies the complexity of data in relationship to the prediction accuracy that can be expected when using a supervised classifier like a neural network, SVM, and so forth. We first extend the original measure for its use with continuous functions to later on, using an approach based on the use of the set of Walsh functions, consider the case of having a finite number of data points (inputs/outputs pairs), that is, usually the practical case. Using a set of trigonometric functions a model that gives a relationship between the size of the hidden layer of a neural network and the complexity is constructed. Finally, we demonstrate the application of the introduced complexity measure, by using the generated model, to the problem of estimating an adequate neural network architecture for real-world data sets.
http://dx.doi.org/10.1155/2014/815156
publishedVersion
Fil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Franco, Leonardo. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Jerez, José M. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
Fil: Cannas, Sergio Alejandro. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Fil: Osenda, Omar. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía y Física; Argentina.
Otras Ciencias de la Computación e Información
description Fil: Gómez, Iván. Universidad de Málaga. Departamento de Lenguajes y Ciencias de la Computación; España.
publishDate 2014
dc.date.none.fl_str_mv 2014
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv Gómez I, Cannas S A, Osenda O, Jerez J M, Franco L. (2014). The generalization complexity measure for continuous input data. Scientific World Journal. 2014, 815156. doi: 10.1155/2014/815156.
1537-744X
http://hdl.handle.net/11086/19897
http://dx.doi.org/10.1155/2014/815156
identifier_str_mv Gómez I, Cannas S A, Osenda O, Jerez J M, Franco L. (2014). The generalization complexity measure for continuous input data. Scientific World Journal. 2014, 815156. doi: 10.1155/2014/815156.
1537-744X
url http://hdl.handle.net/11086/19897
http://dx.doi.org/10.1155/2014/815156
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv issn: 1537-744X
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1842349676562481152
score 13.13397

Publicaciones similares