基于量化最小误差熵准则处理的高维数据分类预测数据

主要面向非高斯环境下的稳健性算法研究，解决宽度学习算法在非高斯环境下，尤其是离群值较多的环境下稳健性欠佳的问题。主要记录了在UCI数据集中的Abalone数据集上的预测结果，包括预测误差与预测绝对误差，总数据量为4177条。

搜集汇总

背景与挑战

背景概述

本数据集面向非高斯环境下宽度学习算法的稳健性问题，基于量化最小误差熵准则处理高维数据分类预测。数据记录在UCI Abalone数据集上的预测结果，包含预测误差和绝对误差，共计4177条。该数据旨在提升算法在离群值较多环境下的鲁棒性。