混合噪声的matlab代码倾斜经验风险最小化 该存储库包含本文的实现 ICLR 2021 通常将经验风险最小化（ERM）设计为在平均损失上表现良好，这可能导致估计值对异常值敏感，泛化效果差或对子组进行不公平对待。 尽管许多方法旨在单独解决这些问题，但在这项工作中，我们通过统一的框架-倾斜的经验性风险最小化（TERM）来探索它们。 该存储库包含数据，代码和实验，以重现我们的经验结果。 我们证明了TERM可用于多种应用，例如加强子组之间的公平性，减轻异常值的影响以及处理类不平衡。 TERM不仅可以与针对这些个别问题的量身定制的现有解决方案竞争，而且还可以启用全新的应用程序，例如同时解决异常值和促进公平性。 入门 依存关系 当我们将TERM应用于各种实际应用程序时，不同应用程序的依赖关系可能会有所不同。 如果我们提到该代码基于其他公共代码库，则需要遵循这些代码库的相同设置。 否则，需要以下依赖项（最新版本将起作用）： python3 斯克莱恩 麻木 matplotlib 色彩系统 海生的 科学的 cvxpy（可选） TERM的性质 激励榜样 这些图将TERM表示为t的函数：（a）从一组2D样

该文档包含生成模型、判别模型的区别，高斯判别模型与LR之间的关系，NB以及基于拉普拉斯平滑处理的NB的例子，EM算法流程及例子，最后以一个常见的垃圾邮件分类为例解释说明贝叶斯算法。

分析了支持向量的性质和增量学习过程，提出了一种新的增量学习算法，舍弃了对最终分类无用的样本，在保证测试精度的同时减少了训练时间。最后的数值实验和应用实例说明该算法是可行、有效的。