24小时热门版块排行榜

返回列表

【奖励】本帖被评价34次，作者zjstar增加金币 28.2 个

当前只显示满足指定条件的回帖，点击这里查看本话题的所有回帖

zjstar

木虫 (小有名气)

应助: 9 (幼儿园)
金币: 3047.3
帖子: 283
在线: 84小时
虫号: 4543286

[资源] 发表论文好用的机器学习算法:相关向量机RVM，记得收藏，万一需要啦

Tipping（RVM的作者）说RVM是一种用于回归和分类的贝叶斯稀疏核算法，和SVM很像，但是避免了SVM的诸多缺点。

例如，SVM无法计算样本输出的后验概率分布，SVM不太适用于多分类问题，SVM的超参数需要通过交叉验证得到，这就非常耗费时间，而且SVM的核函数必须是正定的。

而RVM却避免了这些缺点，这就意味着RVM可以计算输出的概率分布、很自然的适用于多分类问题，超参数不需要通过交叉验证得到，而且，核函数可以任意指定，不是必须要正定的。最后，RVM得到的解要比更SVM稀疏的解。

疏贝叶斯模型中，Sparse这一思想很重要，因为这样一来，RVM对训练数据集的大小要求就十分少了，这比较适用于图像的还原，比如在看到的一篇论文里“中国图像图形学报”中“基于稀疏贝叶斯学习的图像重建方法”中就用到了稀疏贝叶斯的学习机制以及压缩感知理论，其中压缩感知理论(具体的内容在我转载的另一篇文章中介绍的很详细)是基于随机输入的稀疏性质的，由数学大牛陶哲轩提出。在稀疏贝叶斯模型中，我们主要要做的问题是如何使用这一思想求我们要的东西，这里涉及到的是边缘似然最大化。

RVM作者原版程序，你值得拥有。

回复此楼