Maszyna wektorów trafności — Relevance vector machine
Część serii na |
Uczenie maszynowe i eksploracja danych |
---|
W matematyce , o Trafność Wektor ciężki (RVM) jest maszyna uczenia się techniki, które wykorzystuje Bayesa wnioskowanie do uzyskania oszczędne rozwiązania dla regresji i klasyfikacji probabilistyczny . RVM ma identyczną formę funkcjonalną jak maszyna wektorów nośnych , ale zapewnia klasyfikację probabilistyczną.
W rzeczywistości jest to odpowiednik modelu procesu Gaussa z funkcją kowariancji :
gdzie jest funkcją jądra (zazwyczaj Gaussian), są wariancjami a prior w wektorze wagowym i są wektorami wejściowymi zestawu szkoleniowego .
W porównaniu do maszyn wektorów nośnych (SVM), Bayesowskie sformułowanie RVM pozwala uniknąć zestawu wolnych parametrów SVM (które zwykle wymagają post-optymalizacji opartych na walidacji krzyżowej). Jednak RVM wykorzystują metodę uczenia się podobną do maksymalizacji oczekiwań (EM) i dlatego są zagrożone lokalnymi minimami. Jest to w przeciwieństwie do standardowych algorytmów opartych na minimalnej optymalizacji sekwencyjnej (SMO) stosowanych przez maszyny SVM , które gwarantują znalezienie globalnego optimum (problemu wypukłości).
Maszyna wektorów relewancji jest opatentowana w Stanach Zjednoczonych przez firmę Microsoft (patent wygasł 4 września 2019 r.).
Zobacz też
- Sztuczka jądra
- Skalowanie Platta : zamienia SVM w model prawdopodobieństwa
Bibliografia
Oprogramowanie
- dlib Biblioteka C++
- Biblioteka maszynowo-jądrowa
- rvmbinary : pakiet R do klasyfikacji binarnej
- scikit-rvm
- fast-scikit-rvm , samouczek rvm