稀疏贝叶斯模型与相关向量机学习研究

被引：22

作者：

杨国鹏 ^{[1
]}

周欣 ^{[2
]}

余旭初 ^{[1
]}

机构：

[1] 信息工程大学测绘学院

[2] 信息工程大学信息工程学院

来源：

计算机科学 | 2010年 / 37卷 / 07期

关键词：

稀疏贝叶斯模型; 相关向量机; 支持向量机;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

虽然支持向量机在模式识别的相关领域得到了广泛应用,但它自身固有许多不足之处。相关向量机是在稀疏贝叶斯框架下提出的稀疏模型,模型没有规则化系数,核函数不要求满足Mercer条件。相关向量机不仅具备良好的泛化能力,而且还能够得到具有统计意义的预测结果。首先介绍了稀疏贝叶斯回归和分类模型,通过参数推断过程,将相关向量机学习转化为最大化边缘似然函数估计,并分析了3种估计方法,给出了快速序列稀疏贝叶斯学习算法流程。

引用

页码：225 / 228

页数：4

共 12 条

[1]

Kernel Methods for Pattern Analysis. John Shawe-Taylor,Nello Cristianini. . 2004

[2]

Scaling Text Classificaton with Relevance Vector Machines. Catarina S,Bernardete R. IEEE International Conference on Systems,Man and Cybernetics . 2006

[3]

Relevance Vector Machine based Mixture of Experts. Thayananthan A. . 2005

[4]

Sparse kernel principal component analysis. Tipping ME. Advances in Neural Infor mation Processing Systems . 2001

[5]

Sequential relevance vector machine learning from time series. Nikolay Nikolaev,Peter Tino. Proceedings of International Joint Conference on Neural Networks . 2005

[6]

Pattern Recognition and Machine Learning. Bishop C. M. . 2007

[7]

A practical Bayesian framework for backpropagation networks. MacKay DJC. Neural Computation . 1992

[8]

Variational relevance vector ma-chines. BISHOP C M,Tipping M E. Proceedings of the16th Conference on Uncertaintyin Artificial Intelligence . 2000

[9]

Tipping M E,Sparse Bayesian Learning and the Relevance Vector Machine. Journal of Machine Learning Research . 2001

[10]

Fast marginal likelihood maximization for sparse Bayesian models. Tipping, M. E,A. C Faul. Proceedings of the Ninth International Workshop on Artificial Intelligence and Statistics . 2003

← 1 2 →