|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
( C, K4 K; X1 z+ B z6 r) _# b/ C( V! S" T) r" A
摘要:针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法(Manifold Learning Based on Sparse Bayesian Ap-proach,MLSBA).该算法是对稀疏贝叶斯模型的扩展,通过在模型的权值上定义稀疏流形先验,有效利用了样本数据的流形信息,提高了算法的分类准确率.在多种数据集上进行实验,结果表明:MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能.
4 ^8 S* x( ]' Q
4 D1 ?/ ^, m* s8 A2 W2 o E& B0 J' Y" J
9 k* t$ A$ ]- E( H3 k- U
关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化9 d# `0 Y, s: _: H: K+ K# O
3 B6 d) w$ F2 t! H8 ~# j7 O# h
" b" a! O/ b; S0 }) q0 m/ r 在监督学习中,对于给定的样本数据x∈R,希望得到一个可以对样本进行分类或者回归的函数f(x;w).为了得到f(x;w),首先需要给定一个训练数据集T= {(x1,.y1),…,(、,y、)}(其中输入是一个d维向量,x,=[xl,…,Nu]∈ ”,当y;∈R时,对应的是回归问题;当y; el -1 ,1}时,表示研究的是二分类问题);然后在训练数据集上学习得到f(x;w);最后在假定与训练数据服从同样分布的测试数据上对f(x;w)的分类性能进行评估.
# b# B# V B/ b3 C) o8 b i; i7 F: p! x, U ] Z* ]3 y4 ~6 I
\! r+ T) O! T% X
. t9 W; z8 G7 n) P. ^
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
2 w( q @! L, `* c: X, \7 Z) _$ z
4 Z4 z# R6 a! o
|
|