Relevance Vector Machine ( RVM) är en maskininlärningsteknik som använder Bayesiansk slutledning för att få sparsamhetslösningar för regression och probabilistisk klassificering [1] . RTM har samma funktionella form som stödvektormaskinen , men ger en probabilistisk klassificering.
Metoden är i själva verket likvärdig med en Gaussisk processmodell med en kovariansfunktion :
,var är kärnfunktionen (vanligtvis en Gauss), är de tidigare varianserna för viktvektorn och är ingångsvektorerna för träningsuppsättningen [2] .
Jämfört med stödvektormaskiner undviker den Bayesianska formuleringen av RTM behovet av fria parametrar (vilket vanligtvis kräver efteroptimering baserat på korsvalideringar). RTM använder dock en inlärningsmetod som liknar EM-algoritmen , och därför finns det en risk att rulla in i ett lokalt minimum. Detta skiljer den från standardalgoritmer baserade på sekventiell minimioptimering som används av stödvektormaskiner och garanterar att hitta ett globalt optimum (på ett konvext problem).
Relevant Vector Method är patenterad i USA av Microsoft [3] .
Maskininlärning och datautvinning | |
---|---|
Uppgifter | |
Att lära sig med en lärare | |
klusteranalys | |
Dimensionalitetsreduktion | |
Strukturell prognos | |
Anomali upptäckt | |
Grafisk probabilistiska modeller | |
Neurala nätverk | |
Förstärkningsinlärning |
|
Teori | |
Tidskrifter och konferenser |
|