|
|
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
/ o+ j/ N# U: I! m. ~0 c9 H
O8 G; L* _1 ^8 n _# X, G9 Q& H
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.7 |; h5 V# w8 \1 C; o% R
A& ~ E2 w* I7 O: Z& J2 `) v4 ?4 }9 N) u! j' O
) S2 |& u4 j! F: E. w2 i0 s% D关键词:拉普拉斯;稀疏贝叶斯;稀疏流形先验;流形正则化$ l* P$ S) J0 W! ^
- U) \, y5 H0 O% y' b3 S& `! [* H" l$ q8 L ]" o: w) z G
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.
: u3 v& u% _6 ^" q5 S' U- Z W5 \) v* ~/ A
2 r, r' r6 H- U6 Y
2 q/ T8 S: A: U, x
基于稀疏贝叶斯的流形学习.pdf
(860.48 KB, 下载次数: 0)
( M6 }9 x5 r9 k
* o% H* ~" A# ]& W: T8 z' t8 }; {4 X: C7 f( P F8 v" z1 q7 D
|
|
/1 
发表于 2021-3-29 09:18
收藏
淘帖
支持！
反对！